論文の概要: Where Rectified Flows Leak: Characterising Membership Signals Along the Interpolation Path

• arxiv url: http://arxiv.org/abs/2606.07271v1
• Date: Fri, 05 Jun 2026 13:46:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.759197
• Title: Where Rectified Flows Leak: Characterising Membership Signals Along the Interpolation Path
• Title（参考訳）: 補間経路に沿ったメンバーシップ信号の特徴付け
• Authors: Thomas Sesmat, Gabriel Meseguer-Brocal, Geoffroy Peeters,
• Abstract要約: 正規化フローは、デプロイされた生成システムでますます利用されている。 訓練中にウィッチが蓄積するベル状の曲線に追従する列車の復元と試験データの間にはギャップが存在することを示す。 我々はこれらの予測を音声と画像の両方で検証し、ベル状の構造が普遍的であることを示す。
• 参考スコア（独自算出の注目度）: 13.734590645003715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding what generative models retain from training data remains challenging, with implications for copyright and privacy. Beyond verbatim reproduction, models can encode subtler traces of their training data that never surface in their outputs yet remain exploitable. We study this regime for Rectified Flows, which are increasingly used in deployed generative systems. We analyse the interpolation path $X_λ= (1-λ)X_0 + λX_1$ that defines the Rectified Flow training. We show that a gap exists between the reconstruction of train and test data that follows a bell-shaped curve over $λ$, wich accumulates during training, while the validation metrics remain stable. The signal has a maximum whose location we derive in closed form under Gaussian assumptions. We validate these predictions on both audio and images and show that the bell-shaped structure is universal, while the peak prediction holds when our assumptions are satisfied. As a proof of concept, we exploit this specific $λ$-resolved structure to perform a Membership Inference Attack, distinguishing members of the training set from non-members.
• Abstract（参考訳）: 生成モデルがトレーニングデータから保持するものを理解することは、著作権とプライバシに影響を及ぼすため、依然として困難である。 冗長な再現以外にも、モデルはトレーニングデータの微妙なトレースをエンコードすることができる。 本研究は, 展開型生成システムにおいて, ますます利用されている整流流れについて考察する。 我々は、補間パス $X_λ= (1-λ)X_0 + λX_1$ を解析し、Rectified Flowトレーニングを定義する。 評価指標は安定しながらも,訓練中にウィッチが蓄積するベル状の曲線に従えば,列車と試験データの再構成の間にはギャップが存在することを示す。 信号の最大位置はガウスの仮定の下で閉形式に導かれる。 我々はこれらの予測を音声と画像の両方で検証し、ベル状の構造が普遍的であることを示す。 概念実証として、この特定の$λ$-resolved構造を利用して、メンバーシップ推論攻撃を行い、トレーニングセットのメンバーを非メンバーと区別する。

関連論文リスト

• Bootstrap Your Generator: Unpaired Visual Editing with Flow Matching [79.46676932242569]
  本稿では,フローマッチング編集モデルの非ペア化学習のためのフレームワークを提案する。 ByGは、凍結モデルから抽出した命令追従キューと、構造保存のためのサイクル整合性とをペアリングする。 我々は,データスカース画像と映像編集の課題に対する最先端の成果を実証する。
  論文  参考訳（メタデータ） (2026-06-02T17:07:08Z)
• Refinement Provenance Inference: Detecting LLM-Refined Training Prompts from Model Behavior [58.751981587234916]
  本稿では,Refinement Provenance Inference (RPI)監査タスクをRefinement Provenance Inference (RPI)として定式化する。 本稿では,ロジットレベルの信号で教師が強制する可能性機能を融合させるロジットベースのフレームワークであるReProを提案する。 トレーニング中、ReProはシャドウファインチューニングを通じて転送可能な表現を学び、訓練データアクセスなしで、見えない犠牲者の証明を推測するために軽量のリニアヘッドを使用する。
  論文  参考訳（メタデータ） (2026-01-05T10:16:41Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Bridging the Training-Inference Gap in LLMs by Leveraging Self-Generated Tokens [45.745443096804586]
  言語モデルは、トレーニングデータセットで過去のトークンが与えられた次のトークンの可能性を最大化するためにしばしば訓練される。 推論時間の間は、前述したトークンを入力として次のトークンを予測することによって、テキストを逐次かつ自動回帰的に生成する。 本稿では、モデル自己生成に基づく2つの簡単なアプローチを提案し、この訓練時間と推論時間との相違に対処する。
  論文  参考訳（メタデータ） (2024-10-18T17:48:27Z)
• Aligning Model Properties via Conformal Risk Control [4.710921988115686]
  トレーニング後のアライメントは、人間のフィードバックによって約束されるが、しばしば生成AI設定に限定される。 数値的あるいは分類的な出力を持つ従来の非生成的設定では、単一サンプル出力による誤調整を検出することは依然として困難である。 プロパティテストを通じてモデルアライメントを解釈し、アライメントモデル $f$ を関数のサブセット $mathcalP$ に属するものとして定義する。
  論文  参考訳（メタデータ） (2024-06-26T22:24:46Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Benign Overfitting in Linear Classifiers and Leaky ReLU Networks from KKT Conditions for Margin Maximization [59.038366742773164]
  ロジスティック損失の勾配流によって訓練された線形および漏洩ReLUは、KKT条件を満たすための暗黙の偏りを持つ。 本研究では、線形分類器や2層リークReLUネットワークにおいて、これらの条件の満足度が良性オーバーフィットを意味するような設定を多数確立する。
  論文  参考訳（メタデータ） (2023-03-02T18:24:26Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Masking schemes for universal marginalisers [1.0412114420493723]
  本研究は,ユニバーサル・サマリヤのトレーニングにおける構造に依存しないマスキング・スキームの効果について考察する。 予測性能と一般化特性の観点から異なるマスキングスキームで訓練されたネットワークを比較した。
  論文  参考訳（メタデータ） (2020-01-16T15:35:06Z)

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。