論文の概要: Authorize-on-Demand: Dynamic Authorization with Legality-Aware Intellectual Property Protection for VLMs

• arxiv url: http://arxiv.org/abs/2603.04896v1
• Date: Thu, 05 Mar 2026 07:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.12128
• Title: Authorize-on-Demand: Dynamic Authorization with Legality-Aware Intellectual Property Protection for VLMs
• Title（参考訳）: Authorize-on-Demand:VLMの合法性を考慮した知的財産保護による動的認可
• Authors: Lianyu Wang, Meng Wang, Huazhu Fu, Daoqiang Zhang,
• Abstract要約: AoD-IPは、オンデマンドおよび合法性認識アセスメントをサポートするフレームワークである。 AoD-IPは強力な認証ドメイン性能と信頼性の高い不正検出を維持している。
• 参考スコア（独自算出の注目度）: 70.09137776277994
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid adoption of vision-language models (VLMs) has heightened the demand for robust intellectual property (IP) protection of these high-value pretrained models. Effective IP protection should proactively confine model deployment within authorized domains and prevent unauthorized transfers. However, existing methods rely on static training-time definitions, limiting flexibility in dynamic environments and often producing opaque responses to unauthorized inputs. To address these limitations, we propose a novel dynamic authorization with legality-aware intellectual property protection (AoD-IP) for VLMs, a framework that supports authorize-on-demand and legality-aware assessment. AoD-IP introduces a lightweight dynamic authorization module that enables flexible, user-controlled authorization, allowing users to actively specify or switch authorized domains on demand at deployment time. This enables the model to adapt seamlessly as application scenarios evolve and provides substantially greater extensibility than existing static-domain approaches. In addition, AoD-IP incorporates a dual-path inference mechanism that jointly predicts input legality-aware and task-specific outputs. Comprehensive experimental results on multiple cross-domain benchmarks demonstrate that AoD-IP maintains strong authorized-domain performance and reliable unauthorized detection, while supporting user-controlled authorization for adaptive deployment in dynamic environments.
• Abstract（参考訳）: 視覚言語モデル(VLM)の急速な採用により、これらの高価値事前学習モデルの堅牢な知的財産権(IP)保護の必要性が高まっている。 効果的なIP保護は、認証されたドメイン内のモデルデプロイメントを積極的に制限し、不正な転送を防ぐべきである。 しかし、既存のメソッドは静的なトレーニング時間の定義に依存し、動的環境の柔軟性を制限し、しばしば許可されていない入力に対する不透明な応答を生成する。 これらの制約に対処するため、我々は、VLMの合法性を考慮した知的財産権保護(AoD-IP)を新たに提案する。 AoD-IPは、フレキシブルでユーザ制御型の認証を可能にする軽量な動的認証モジュールを導入し、ユーザーはデプロイ時に必要に応じて認証されたドメインを積極的に指定または切り替えることができる。 これにより、アプリケーションのシナリオが進化するにつれてモデルがシームレスに適応し、既存の静的ドメインアプローチよりもはるかに拡張性を提供します。 さらに、AoD-IPにはデュアルパス推論機構が組み込まれており、入力の合法性とタスク固有の出力を共同で予測する。 複数のクロスドメインベンチマークに関する総合的な実験結果から、AoD-IPは、動的環境における適応的なデプロイメントのためのユーザ制御の認証をサポートしながら、強力な認証ドメイン性能と信頼性のない未承認検出を維持していることが示された。

関連論文リスト

• CREDIT: Certified Ownership Verification of Deep Neural Networks Against Model Extraction Attacks [54.04030169323115]
  我々は、モデル抽出攻撃(MEA)に対する認証された所有権検証であるCREDITを紹介する。 DNNモデル間の類似性を定量化し、実用的な検証しきい値を提案し、このしきい値に基づいてオーナシップ検証を行うための厳密な理論的保証を提供する。 我々は、さまざまなドメインやタスクにまたがるいくつかの主流データセットに対するアプローチを広範囲に評価し、最先端のパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2026-02-23T23:36:25Z)
• Autonomous Action Runtime Management(AARM):A System Specification for Securing AI-Driven Actions at Runtime [0.0]
  本稿では,AI駆動型動作を実行時にセキュアにするためのオープン仕様であるAutonomous Action Management(AARM)を紹介する。 AARMは実行前にアクションをインターセプトし、セッションコンテキストを蓄積し、ポリシーと意図の整合性を評価し、承認決定を強制し、法医学的な再構築のための未確認のレシートを記録する。 AARMはモデルに依存しない、フレームワークに依存しない、ベンダーに依存しない、アクション実行を安定したセキュリティ境界として扱う。
  論文  参考訳（メタデータ） (2026-02-10T05:57:30Z)
• Steering Vision-Language Pre-trained Models for Incremental Face Presentation Attack Detection [62.89126207012712]
  顔提示攻撃検出(PAD)は、スプーフィング戦術やドメインと戦うために漸進的な学習を要求する。 過去のデータ保持を禁止し、リハーサルフリーラーニング(RF-IL)を必要とするプライバシー規制
  論文  参考訳（メタデータ） (2025-12-22T04:30:11Z)
• RobIA: Robust Instance-aware Continual Test-time Adaptation for Deep Stereo [18.836469118006594]
  RobIAは、ステレオ深度推定における連続的なテスト時間適応のための新しいRobust, Instance-Awareフレームワークである。 RobIA は,(1) Attend-and-Excite Mixture-of-Experts (AttEx-MoE) と (2) Robust AdaptBN Teacher の2つの重要なコンポーネントを統合している。
  論文  参考訳（メタデータ） (2025-11-13T09:13:12Z)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)
• RADEP: A Resilient Adaptive Defense Framework Against Model Extraction Attacks [6.6680585862156105]
  モデル抽出攻撃防御(RADEP)のためのレジリエント・アダプティブ・ディフェンス・フレームワークについて紹介する。 RADEPは、抽出の試みに対するモデルレジリエンスを高めるために、プログレッシブ・逆行訓練を採用している。 オーナーシップ検証は、組み込みのウォーターマーキングとバックドアトリガーを通じて実施される。
  論文  参考訳（メタデータ） (2025-05-25T23:28:05Z)
• PCDiff: Proactive Control for Ownership Protection in Diffusion Models with Watermark Compatibility [23.64920988914223]
  PCDiffは、生成品質を規制することによってモデルの認可を再定義するプロアクティブアクセス制御フレームワークである。 PCDIFFはトレーニング可能なfuserモジュールと階層的な認証レイヤをデコーダアーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-04-16T05:28:50Z)
• Vision-Language Model IP Protection via Prompt-based Learning [52.783709712318405]
  視覚言語モデル(VLM)に適した軽量IP保護戦略であるIP-CLIPを導入する。 CLIPの凍結した視覚的バックボーンを利用することで、画像スタイルとコンテンツ情報の両方を抽出し、IPプロンプトの学習に取り入れる。 この戦略は堅牢な障壁として機能し、権限のないドメインから権限のないドメインへの機能移転を効果的に防止する。
  論文  参考訳（メタデータ） (2025-03-04T08:31:12Z)
• Model Barrier: A Compact Un-Transferable Isolation Domain for Model Intellectual Property Protection [52.08301776698373]
  我々は、CUTIドメイン(Compact Un-TransferableIsolateion Domain)と呼ばれる新しいアプローチを提案する。 CUTIドメインは、権限のないドメインから権限のないドメインへの違法な転送を阻止する障壁として機能する。 CUTIドメインは,異なるバックボーンを持つプラグイン・アンド・プレイモジュールとして容易に実装可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-20T13:07:11Z)

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。