論文の概要: Watermarking Kolmogorov-Arnold Networks for Emerging Networked Applications via Activation Perturbation

• arxiv url: http://arxiv.org/abs/2508.06676v1
• Date: Fri, 08 Aug 2025 19:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.507761
• Title: Watermarking Kolmogorov-Arnold Networks for Emerging Networked Applications via Activation Perturbation
• Title（参考訳）: 活性化摂動による新興ネットワークアプリケーションのための透かしKolmogorov-Arnoldネットワーク
• Authors: Chia-Hsun Lu, Guan-Jhih Wu, Ya-Chi Ho, Chih-Ya Shen,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) に適したCosine Transform-based Discrete Activation Watermarking (DCT-AW) 法を提案する。 DCT-AWは、離散コサイン変換を用いて活性化出力を摂動させ、多様なタスクとの互換性を確保し、タスク独立を達成することで、透かしを埋め込む。 実験により,DCT-AWはモデル性能に小さな影響を与え,各種ウォーターマーク除去攻撃に対して優れたロバスト性を提供することが示された。
• 参考スコア（独自算出の注目度）: 2.864893907775704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the increasing importance of protecting intellectual property in machine learning, watermarking techniques have gained significant attention. As advanced models are increasingly deployed in domains such as social network analysis, the need for robust model protection becomes even more critical. While existing watermarking methods have demonstrated effectiveness for conventional deep neural networks, they often fail to adapt to the novel architecture, Kolmogorov-Arnold Networks (KAN), which feature learnable activation functions. KAN holds strong potential for modeling complex relationships in network-structured data. However, their unique design also introduces new challenges for watermarking. Therefore, we propose a novel watermarking method, Discrete Cosine Transform-based Activation Watermarking (DCT-AW), tailored for KAN. Leveraging the learnable activation functions of KAN, our method embeds watermarks by perturbing activation outputs using discrete cosine transform, ensuring compatibility with diverse tasks and achieving task independence. Experimental results demonstrate that DCT-AW has a small impact on model performance and provides superior robustness against various watermark removal attacks, including fine-tuning, pruning, and retraining after pruning.
• Abstract（参考訳）: 機械学習における知的財産権保護の重要性が高まり、透かし技術が注目されている。 高度なモデルがソーシャルネットワーク分析などの領域にますますデプロイされるにつれて、堅牢なモデル保護の必要性はさらに重要になる。 既存のウォーターマーキング手法は従来のディープニューラルネットワークの有効性を示したが、新しいアーキテクチャであるコルモゴロフ・アルノルドネットワーク(KAN)に適応できず、学習可能なアクティベーション機能を備えている。 Kanは、ネットワーク構造データの複雑な関係をモデル化する強力な可能性を秘めている。 しかし、そのユニークなデザインは、透かしに対する新しい挑戦ももたらしている。 そこで本稿では,kan に適した新しい透かし方式であるdisrete Cosine Transform-based Activation Watermarking (DCT-AW)を提案する。 kanの学習可能なアクティベーション関数を活用することで、離散コサイン変換を用いてアクティベーション出力を摂動させ、多様なタスクとの互換性を確保し、タスク独立性を達成することで、透かしを埋め込む。 実験により, DCT-AWはモデル性能に小さな影響を与え, 微調整, 刈り込み, 刈り込み後の再訓練など, 各種ウォーターマーク除去攻撃に対して優れた堅牢性を提供することが示された。

関連論文リスト

• TriniMark: A Robust Generative Speech Watermarking Method for Trinity-Level Attribution [3.1682080884953736]
  本稿では,生成したコンテンツを認証するための生成的textbfspeech wattextbfermarking法(TriniMark)を提案する。 まず、音声の時間領域特徴に透かしを埋め込む構造軽量透かしエンコーダを設計する。 ビットワイドウォーターマーク回復のためのウォーターマーク復号器において、時間対応ゲート畳み込みネットワークを巧みに設計する。
  論文  参考訳（メタデータ） (2025-04-29T08:23:28Z)
• On the Weaknesses of Backdoor-based Model Watermarking: An Information-theoretic Perspective [39.676548104635096]
  機械学習モデルの知的財産権の保護は、AIセキュリティの急激な懸念として浮上している。 モデルウォーターマーキングは、機械学習モデルのオーナシップを保護するための強力なテクニックである。 本稿では,既存の手法の限界を克服するため,新しいウォーターマーク方式であるIn-distriion Watermark Embedding (IWE)を提案する。
  論文  参考訳（メタデータ） (2024-09-10T00:55:21Z)
• ModelShield: Adaptive and Robust Watermark against Model Extraction Attack [58.46326901858431]
  大規模言語モデル(LLM)は、さまざまな機械学習タスクにまたがる汎用インテリジェンスを示す。 敵はモデル抽出攻撃を利用して モデル生成で符号化された モデルインテリジェンスを盗むことができる ウォーターマーキング技術は、モデル生成コンテンツにユニークな識別子を埋め込むことによって、このような攻撃を防御する有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-05-03T06:41:48Z)
• Not Just Change the Labels, Learn the Features: Watermarking Deep Neural Networks with Multi-View Data [10.564634073196117]
  DNN内に効率よく透かしを埋め込むため,Multi-view dATa をベースとした新しい透かし手法 MAT を提案する。 提案手法を様々なベンチマークで検証し,モデル抽出攻撃に対する防御効果を示す。
  論文  参考訳（メタデータ） (2024-03-15T20:12:41Z)
• Reversible Quantization Index Modulation for Static Deep Neural Network Watermarking [57.96787187733302]
  可逆的データ隠蔽法(RDH)は潜在的な解決策を提供するが、既存のアプローチはユーザビリティ、キャパシティ、忠実性の面で弱点に悩まされている。 量子化指数変調(QIM)を用いたRDHに基づく静的DNN透かし手法を提案する。 提案手法は,透かし埋め込みのための1次元量化器に基づく新しい手法を取り入れたものである。
  論文  参考訳（メタデータ） (2023-05-29T04:39:17Z)
• Semantic-aware Texture-Structure Feature Collaboration for Underwater Image Enhancement [58.075720488942125]
  水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。 我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。 また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
  論文  参考訳（メタデータ） (2022-11-19T07:50:34Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• Deep Model Intellectual Property Protection via Deep Watermarking [122.87871873450014]
  ディープニューラルネットワークは深刻なip侵害リスクにさらされている。 ターゲットの深層モデルを考えると、攻撃者がその全情報を知っていれば、微調整で簡単に盗むことができる。 低レベルのコンピュータビジョンや画像処理タスクで訓練されたディープネットワークを保護するための新しいモデル透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T18:58:21Z)
• From Attack to Protection: Leveraging Watermarking Attack Network for Advanced Add-on Watermarking [7.101522983541308]
  マルチビット透かし(MW)は、透かし攻撃に対する耐性を高めるように設計されている。 ベンチマークツールは 透かし画像への 模擬攻撃によって この堅牢性を評価するために存在する 我々は,MWシステム内の脆弱性を悪用するように設計された,完全トレーニング可能な透かしベンチマークツールである透かし攻撃ネットワーク(WAN)を導入する。
  論文  参考訳（メタデータ） (2020-08-14T09:11:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。