論文の概要: LineageMark: Multi-user White-box Watermarking for Contribution Tracing in Model Derivation Chains

• arxiv url: http://arxiv.org/abs/2606.17123v1
• Date: Mon, 15 Jun 2026 13:43:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.076017
• Title: LineageMark: Multi-user White-box Watermarking for Contribution Tracing in Model Derivation Chains
• Title（参考訳）: LineageMark: モデル導出チェーンにおけるコントリビューショントレースのためのマルチユーザホワイトボックス透かし
• Authors: Bingxue Zhang, Xiaofeng Xu, Feida Zhu,
• Abstract要約: LineageMarkは、モデル導出チェーンのためのマルチユーザホワイトボックス透かしフレームワークである。 プロジェクションベースのアプローチでモデルパラメータの透かしを符号化する。 多段階導出によるコントリビュータの透かしを保存し、インクリメンタルなマルチユーザ透かし挿入をサポートする。
• 参考スコア（独自算出の注目度）: 5.187057961007583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In open large language model (LLM) ecosystems, models are frequently adapted across multiple domains and applications, forming multi-stage derivation chains. Consequently, tracking and verifying historical contributions is essential for model provenance and intellectual property protection. However, existing watermarking methods are mainly designed for single-user, one-time embeddings, often fail under repeated model derivation and incremental updates. To address this problem, we propose LineageMark, a multi-user white-box watermarking framework for model derivation chains. The framework encodes watermarks in model parameters using a projection-based approach. Stable carriers are first selected to reduce sensitivity to model changes, each watermark bit is then represented as a projection statistic over these carriers. Additional watermark insertions introduce only bounded perturbations in the projection space, and margin constraints are used to maintain signal integrity. We evaluate the effectiveness of LineageMark in multi-stage model derivation chains. Experimental results show that LineageMark preserves contributor watermarks across multi-stage derivation and supports incremental multi-user watermark insertion. Furthermore, it exhibits robustness against perturbations such as re-watermarking, fine-tuning, quantization, and pruning.
• Abstract（参考訳）: オープンな大規模言語モデル(LLM)エコシステムでは、モデルは複数のドメインやアプリケーションに頻繁に適応し、多段階の派生連鎖を形成する。 したがって、モデル証明と知的財産保護には、歴史的貢献の追跡と検証が不可欠である。 しかし、既存の透かし方式は、主にシングルユーザー向けのワンタイム埋め込み用に設計されており、しばしば繰り返しモデル導出と漸進的な更新の下で失敗する。 この問題を解決するために,モデル導出チェーンのためのマルチユーザホワイトボックス透かしフレームワークであるLineageMarkを提案する。 このフレームワークはプロジェクションベースのアプローチを用いてモデルパラメータの透かしを符号化する。 安定キャリアはモデル変更に対する感度を低下させるために最初に選択され、各透かしビットはこれらのキャリアに対する投影統計量として表される。 追加の透かし挿入は射影空間における有界摂動のみを導入し、信号整合性を維持するためにマージン制約を用いる。 多段モデル導出チェーンにおけるLineageMarkの有効性を評価する。 実験の結果,LineageMarkは多段階導出によるコントリビュータの透かしを保存し,インクリメンタルなマルチユーザ透かし挿入をサポートすることがわかった。 さらに、再透かし、微調整、量子化、刈り取りなどの摂動に対する堅牢性を示す。

関連論文リスト

• R-CoT: A Reasoning-Layer Watermark via Redundant Chain-of-Thought in Large Language Models [48.47950824122549]
  本稿では,水標を推論経路に埋め込むredundant Chain-of-Thought (R-CoT) と呼ばれる推論層フレームワークを提案する。 実験の結果,R-CoTは従来の手法と比較して高い透かし効果と強靭性が得られることがわかった。
  論文  参考訳（メタデータ） (2026-04-28T05:52:57Z)
• An Ensemble Framework for Unbiased Language Model Watermarking [60.99969104552168]
  本研究では,アンサンブル・フレームワークであるENSを提案する。 ENSは複数の独立した透かしインスタンスを順次構成し、それぞれ異なるキーによって管理され、透かし信号を増幅する。 実験的な評価では、ENSは信頼できる検出に必要なトークンの数を大幅に減らし、平滑化やパラフレージング攻撃に対する耐性を高めている。
  論文  参考訳（メタデータ） (2025-09-28T19:37:44Z)
• OptMark: Robust Multi-bit Diffusion Watermarking via Inference Time Optimization [66.69924980864053]
  拡散復調過程の中間潜水器に頑健なマルチビット透かしを埋め込む最適化手法である OptMark を提案する。 OptMarkは、生成攻撃に対して早期に構造的な透かしを挿入し、画像変換に耐えるために遅れて詳細な透かしを挿入する。 実験結果から,OptMarkは有意変換,幾何変換,編集,再生攻撃に対する堅牢なレジリエンスを確保しつつ,目に見えないマルチビット透かしを実現することが示された。
  論文  参考訳（メタデータ） (2025-08-29T15:50:59Z)
• Hot-Swap MarkBoard: An Efficient Black-box Watermarking Approach for Large-scale Model Distribution [14.60627694687767]
  本稿では,効率的な透かし手法であるHot-Swap MarkBoardを提案する。 ユーザ固有の$n$-bitバイナリシグネチャを、独立して複数の透かしを埋め込むことでエンコードする。 この方法はブラックボックス検証をサポートし、様々なモデルアーキテクチャと互換性がある。
  論文  参考訳（メタデータ） (2025-07-28T09:14:21Z)
• MarkPlugger: Generalizable Watermark Framework for Latent Diffusion Models without Retraining [48.41130825143742]
  AI生成コンテンツ(AIGC)の急速な発展期には、潜伏拡散モデル(LDM)の迅速な反復と修正により、ウォーターマークモデルによる再トレーニングがコストがかかる。 我々は,LDMの再学習を伴わない汎用的なプラグイン・アンド・プレイ・ウォーターマーク・フレームワークであるMarkPluggerを提案する。 実験結果から,本手法は画像品質と透かし回収率を効果的に調和させることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T15:29:46Z)
• TokenMark: A Modality-Agnostic Watermark for Pre-trained Transformers [67.57928750537185]
  TokenMarkは、事前訓練されたモデルに対する頑健で、モダリティに依存しない、堅牢な透かしシステムである。 予めトレーニングされたモデルを、特別に置換されたデータサンプルのセットに微調整することで、透かしを埋め込む。 これはモデル透かしの堅牢性、効率、普遍性を著しく改善する。
  論文  参考訳（メタデータ） (2024-03-09T08:54:52Z)
• Wide Flat Minimum Watermarking for Robust Ownership Verification of GANs [23.639074918667625]
  ホワイトボックス攻撃に対するロバスト性を向上したGANのための新しいマルチビット・ボックスフリー透かし手法を提案する。 透かしは、GANトレーニング中に余分な透かし損失項を追加することで埋め込む。 その結果,透かしの存在が画像の品質に与える影響は無視できることがわかった。
  論文  参考訳（メタデータ） (2023-10-25T18:38:10Z)

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。