論文の概要: Knowledge Distillation Detection for Open-weights Models

• arxiv url: http://arxiv.org/abs/2510.02302v1
• Date: Thu, 02 Oct 2025 17:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.287888
• Title: Knowledge Distillation Detection for Open-weights Models
• Title（参考訳）: オープンウェイトモデルの知識蒸留検出
• Authors: Qin Shi, Amber Yijia Zheng, Qifan Song, Raymond A. Yeh,
• Abstract要約: 本稿では,データ不要な入力合成と,蒸留検出のための統計的スコアを組み合わせたモデルに依存しないフレームワークを提案する。 我々のアプローチは分類モデルと生成モデルの両方に適用できる。
• 参考スコア（独自算出の注目度）: 30.640429431816614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose the task of knowledge distillation detection, which aims to determine whether a student model has been distilled from a given teacher, under a practical setting where only the student's weights and the teacher's API are available. This problem is motivated by growing concerns about model provenance and unauthorized replication through distillation. To address this task, we introduce a model-agnostic framework that combines data-free input synthesis and statistical score computation for detecting distillation. Our approach is applicable to both classification and generative models. Experiments on diverse architectures for image classification and text-to-image generation show that our method improves detection accuracy over the strongest baselines by 59.6% on CIFAR-10, 71.2% on ImageNet, and 20.0% for text-to-image generation. The code is available at https://github.com/shqii1j/distillation_detection.
• Abstract（参考訳）: 本研究では,学生の体重と教師のAPIのみを利用できる実践的な環境下で,学生モデルが与えられた教師から蒸留されたかどうかを判断することを目的とした知識蒸留検出の課題を提案する。 この問題は、モデル証明と蒸留による無許可複製に対する懸念が高まっていることが動機となっている。 そこで本研究では,データ不要な入力合成と,蒸留検出のための統計スコア計算を組み合わせたモデルに依存しないフレームワークを提案する。 我々のアプローチは分類モデルと生成モデルの両方に適用できる。 CIFAR-10では59.6%, ImageNetでは71.2%, テキスト・ツー・イメージ・ジェネレーションでは20.0%で検出精度が向上した。 コードはhttps://github.com/shqii1j/distillation_detectionで公開されている。

関連論文リスト

• Efficient Face Image Quality Assessment via Self-training and Knowledge Distillation [51.43664253596246]
  顔画像品質評価(FIQA)は、様々な顔関連アプリケーションに不可欠である。 我々は,現実のアプリケーションに容易に展開可能な計算効率の良いFIQA手法の開発を目指している。
  論文  参考訳（メタデータ） (2025-07-21T15:17:01Z)
• Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
  教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。 UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-19T14:08:56Z)
• Exploring Inconsistent Knowledge Distillation for Object Detection with Data Augmentation [66.25738680429463]
  物体検出のための知識蒸留(KD)は、教師モデルから知識を伝達することで、コンパクトな検出器を訓練することを目的としている。 教師モデルの反直感的知覚に固有の知識を蒸留することを目的とした,一貫性のない知識蒸留(IKD)を提案する。 本手法は, 1段, 2段, アンカーフリーの物体検出器において, 最先端のKDベースラインより優れる。
  論文  参考訳（メタデータ） (2022-09-20T16:36:28Z)
• Context Unaware Knowledge Distillation for Image Retrieval [11.38957822323395]
  既存の知識蒸留法では、深い(教師)モデルのロジットやその他の特徴を用いる。 本研究では,教師モデルの知識を標的の文脈で微調整することなく活用する,文脈を意識しない知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T04:51:39Z)
• RoSearch: Search for Robust Student Architectures When Distilling Pre-trained Language Models [11.906350752875342]
  知識蒸留によって得られた学生モデルは敵の攻撃に悩まされ、セキュリティに敏感なシナリオでの使用を制限する。 有向非巡回グラフに基づく探索空間を構築し、進化的探索戦略を用いて探索手法を導出する。 実験の結果、RoSearchは学生モデルの堅牢性を7%18%から45.8%47.8%に改善できることがわかった。
  論文  参考訳（メタデータ） (2021-06-07T13:38:16Z)
• Beyond Self-Supervision: A Simple Yet Effective Network Distillation Alternative to Improve Backbones [40.33419553042038]
  既製のトレーニング済み大型モデルからナレッジ蒸留による既存ベースラインネットワークの改善を提案します。 本ソリューションは,教師モデルと整合した学生モデルの予測のみを駆動することにより,蒸留を行う。 例えば、MobileNetV3-large と ResNet50-D の ImageNet-1k 検証セットにおけるトップ-1 の精度は、大幅に向上できる。
  論文  参考訳（メタデータ） (2021-03-10T09:32:44Z)
• General Instance Distillation for Object Detection [12.720908566642812]
  RetinaNet with ResNet-50は、データセット上のGIDによるmAPで39.1%を達成し、ベースライン36.2%を2.9%上回り、さらに38.1%APを持つResNet-101ベースの教師モデルよりも優れています。
  論文  参考訳（メタデータ） (2021-03-03T11:41:26Z)
• Enhancing Data-Free Adversarial Distillation with Activation Regularization and Virtual Interpolation [19.778192371420793]
  データフリーの逆蒸留フレームワークは生成ネットワークを展開し、教師モデルの知識を生徒モデルに転送する。 データ生成効率を向上させるために、アクティベーションレギュラライザと仮想敵対法を追加します。 CIFAR-100の最先端データフリー手法よりも精度が13.8%高い。
  論文  参考訳（メタデータ） (2021-02-23T11:37:40Z)

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。