論文の概要: Auditing Training Data in Generative Music Models via Black-Box Membership Inference

• arxiv url: http://arxiv.org/abs/2605.29202v1
• Date: Thu, 28 May 2026 00:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.572183
• Title: Auditing Training Data in Generative Music Models via Black-Box Membership Inference
• Title（参考訳）: ブラックボックスメンバーシップ推論による生成音楽モデルの学習データの検討
• Authors: Yi Chen Liu, Jiawei Yu, Kexin Cao, Syed Irfan Ali Meerza, Trishika Movva, Jian Liu,
• Abstract要約: 生成音楽モデルに対するブラックボックスメンバーシップ推定について検討する。 精度は98.6%, 偽陽性, 偽陰性率は1.9%, 1.0%と低い。
• 参考スコア（独自算出の注目度）: 11.129331204990146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in text-to-music generation enable high-fidelity synthesis of structured musical audio, raising growing concerns about data provenance, consent, and training transparency. These models are typically trained on large-scale corpora with little disclosure, leaving no practical mechanism to verify whether a particular audio sample was included in training. In this paper, we investigate black-box membership inference for generative music models, aiming to determine whether a candidate music sample was used during training, given only query access to the deployed system. Our key insight is that training membership induces systematically stronger semantic and structural alignment between a candidate sample and the model's generation conditioned on its caption. We query the target model with the associated caption and measure the relationship between the candidate audio and the generated output in a learned feature space. To capture features that separate members from non-members, we construct paired examples consisting of each track and its caption-conditioned generation from shadow models, and train a music auditor to classify membership. The auditor captures alignment patterns characteristic of training membership and generalizes to unseen target models in a fully black-box setting without access to model parameters or training metadata. Across multiple state-of-the-art music generators, our method achieves up to 98.6% accuracy, with false-positive and false-negative rates as low as 1.9% and 1.0%, demonstrating that reliable training-data auditing is feasible in realistic deployment scenarios.
• Abstract（参考訳）: 近年のテキスト・ツー・ミュージック・ジェネレーションの進歩により、構造化されたオーディオの高忠実な合成が可能となり、データの証明、同意、トレーニングの透明性への関心が高まっている。 これらのモデルは通常、開示の少ない大規模コーパスで訓練されており、特定のオーディオサンプルがトレーニングに含まれているかどうかを検証するための実践的なメカニズムは残っていない。 本稿では,本システムへのクエリアクセスのみを前提として,学習中に対象とする楽曲サンプルが使用されているかどうかを判定することを目的として,生成音楽モデルのブラックボックスメンバーシップ推論について検討する。 我々の重要な洞察は、トレーニングメンバーシップは、候補サンプルとそのキャプションに条件付けされたモデル生成との間に、体系的により強い意味と構造的アライメントを誘導するということである。 対象モデルを関連するキャプションでクエリし、学習した特徴空間における候補音声と生成した出力の関係を計測する。 非メンバーからメンバーを分離する特徴を捉えるため、各トラックとそのキャプション条件付き生成をシャドウモデルから組み合わせて構成し、メンバーシップを分類するために音楽オーディショナーを訓練する。 監査者は、トレーニングメンバシップの特徴となるアライメントパターンをキャプチャし、モデルパラメータやトレーニングメタデータにアクセスせずに、完全にブラックボックス設定で未確認のターゲットモデルに一般化する。 提案手法は,複数の最先端音楽生成装置で最大98.6%の精度を達成し,偽陽性および偽陰性率を1.9%と1.0%とし,信頼性の高いトレーニングデータ監査が現実的な展開シナリオで実現可能であることを示した。

関連論文リスト

• Membership and Dataset Inference Attacks on Large Audio Generative Models [17.763094810756247]
  生成的オーディオモデルは、しばしば芸術作品や商業作品の膨大なコーパスで訓練される。 中心的な疑問は、アーティストの素材がトレーニングに含まれているかどうかを確実に検証できるかどうかであり、それによって著作権保有者がコンテンツを保護できる手段を提供する。 本研究では,オープンソースの生成音声モデルに対するメンバシップ推論攻撃による検証の実現可能性について検討する。
  論文  参考訳（メタデータ） (2025-12-10T13:50:00Z)
• Stem-JEPA: A Joint-Embedding Predictive Architecture for Musical Stem Compatibility Estimation [3.8570045844185237]
  マルチトラックデータセットでトレーニングした新しいJEPA(Joint-Embedding Predictive Architecture)であるStem-JEPAを紹介する。 本モデルでは, エンコーダと予測器の2つのネットワークから構成される。 MUSDB18データセットの検索タスクにおいて、本モデルの性能を評価し、ミキシングから欠落した茎を見つける能力を検証した。
  論文  参考訳（メタデータ） (2024-08-05T14:34:40Z)
• Training-Free Deepfake Voice Recognition by Leveraging Large-Scale Pre-Trained Models [52.04189118767758]
  一般化は、現在のオーディオディープフェイク検出器の主な問題である。 本稿では,オーディオディープフェイク検出のための大規模事前学習モデルの可能性について検討する。
  論文  参考訳（メタデータ） (2024-05-03T15:27:11Z)
• Self-Supervised Visual Acoustic Matching [63.492168778869726]
  音響マッチングは、ターゲットの音響環境に録音されたかのように、音声クリップを再合成することを目的としている。 そこで本研究では,対象のシーン画像と音声のみを含む,視覚的音響マッチングのための自己教師型アプローチを提案する。 提案手法は,条件付きGANフレームワークと新しいメトリクスを用いて,室内音響をアンタングル化し,音をターゲット環境に再合成する方法を共同で学習する。
  論文  参考訳（メタデータ） (2023-07-27T17:59:59Z)
• MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training [74.32603591331718]
  本稿では,MLMスタイルの音響事前学習において,教師モデルと擬似ラベルを組み込んだ大規模自己教師型学習(MERT)を用いた音響音楽理解モデルを提案する。 実験結果から,本モデルでは14曲の楽曲理解タスクを一般化し,性能を向上し,SOTA(State-of-the-art)全体のスコアを達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-31T18:27:43Z)
• Learning music audio representations via weak language supervision [14.335950077921435]
  我々は,一連のプロキシタスクによって最適化された音楽と言語事前学習(MuLaP)のためのマルチモーダルアーキテクチャを設計する。 弱い監督は、トラックの全体的な音楽内容を伝える、騒々しい自然言語記述の形で提供される。 提案手法の有効性を,同一のオーディオバックボーンが生成する音声表現の性能と,異なる学習戦略とを比較して示す。
  論文  参考訳（メタデータ） (2021-12-08T10:30:52Z)
• Training a Deep Neural Network via Policy Gradients for Blind Source Separation in Polyphonic Music Recordings [1.933681537640272]
  音響信号における楽器の音の盲点分離法を提案する。 パラメトリックモデルを用いて個々の音色を記述し、辞書を訓練し、高調波の相対振幅を捉える。 提案アルゴリズムは,様々な音声サンプルに対して,特に低干渉で高品質な結果が得られる。
  論文  参考訳（メタデータ） (2021-07-09T06:17:04Z)
• Audiovisual transfer learning for audio tagging and sound event detection [21.574781022415372]
  本研究では,2つの音声認識問題,すなわち音声タグ付けと音声イベント検出における伝達学習の利点について検討する。 我々は、スペクトル音響入力のみを利用したベースラインシステムを適用し、事前訓練された聴覚と視覚的特徴を利用する。 オーディオヴィジュアルなマルチラベルデータセット上で,これらのモデルを用いて実験を行う。
  論文  参考訳（メタデータ） (2021-06-09T21:55:05Z)

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。