論文の概要: FedOT: Ownership Verification and Leakage Tracing via Watermarks for Federated LDMs

• arxiv url: http://arxiv.org/abs/2606.22875v1
• Date: Mon, 22 Jun 2026 05:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:55:29.276063
• Title: FedOT: Ownership Verification and Leakage Tracing via Watermarks for Federated LDMs
• Title（参考訳）: FedOT:Federated LDMのオーナーシップ検証とウォーターマークによる漏洩追跡
• Authors: Wenlong Cheng, Yuan Gan, Yunqiu Xu, Jiaxu Miao,
• Abstract要約: フェデレートラーニング(FL)における遅延拡散モデル(LDM)の訓練は,LDMの強力な生成能力とFLのプライバシ保護特性を組み合わせる能力によって注目されている。 本稿では,フェデレートLDMにおけるオーナシップ検証とリークトレースのための最初のフレームワークであるFedOTを提案する。
• 参考スコア（独自算出の注目度）: 20.32384080560858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training Latent Diffusion Models (LDMs) within Federated Learning (FL) has attracted increasing attention due to its ability to combine the powerful generative capacity of LDMs with the privacy-preserving properties of FL. However, FL requires sharing the global model with multiple participants, which risks unauthorized model distribution or resale by malicious clients. While an intuitive approach is to adopt existing VAE-based watermarking techniques for LDMs in FL, this strategy falls short in addressing such threats due to two fundamental challenges: (1) Existing methods support ownership verification but lack the ability to trace model leakage to a specific malicious client; (2) VAE-based watermarks are vulnerable, as they can be removed simply by replacing the decoder with a clean counterpart. In this paper, we propose FedOT, the first framework for ownership verification and leakage tracing in federated LDMs. Specifically, to address the first challenge, we design a chunked watermark, where the first part is for ownership verification, and the second part is used for client identification. Furthermore, to overcome the second challenge and secure the model against VAE replacement attack, we introduce Latent Vector Transformation (LVT), which strengthens the connection between the VAE and U-Net latent spaces by modifying the original latent distribution of the VAE. Consequently, any attempt to replace the VAE for watermark removal leads to significant image quality degradation, making the LDM model unusable. Extensive experiments demonstrate that FedOT achieves superior performance in both ownership verification and traceability. Project page: https://spyzixuan.github.io/FedOT/.
• Abstract（参考訳）: フェデレートラーニング(FL)における遅延拡散モデル(LDM)の訓練は,LDMの強力な生成能力とFLのプライバシ保護特性を組み合わせる能力によって注目されている。 しかし、FLはグローバルモデルを複数の参加者と共有する必要があるため、悪意のあるクライアントによる不正なモデル配布や再販のリスクがある。 FLにおける既存のVAEベースの透かし技術の採用は直感的なアプローチであるが、この戦略は、(1)既存のメソッドがオーナシップの検証をサポートするが、特定の悪意のあるクライアントにモデルリークをトレースする能力が欠如していること、(2)VAEベースの透かしは、デコーダをクリーンなクライアントに置き換えることによって、脆弱性がある、という2つの根本的な課題により、このような脅威に対処するには不十分である。 本稿では,フェデレートLDMにおけるオーナシップ検証とリークトレースのための最初のフレームワークであるFedOTを提案する。 具体的には,第1の課題に対処するために,第1の部分はオーナシップ検証用であり,第2の部分はクライアント識別用である,チャンクした透かしを設計する。 さらに、第2の課題を克服し、VAE置換攻撃に対するモデルを確保するために、VAEとU-Netの遅延空間間の接続を強化する潜在ベクトル変換(LVT)を導入する。 したがって、VAEをウォーターマーク除去に置き換えようとする試みは、画像の品質を著しく低下させ、LCMモデルを使用不能にする。 大規模な実験では、FedOTはオーナシップの検証とトレーサビリティの両方において優れたパフォーマンスを達成している。 プロジェクトページ: https://spyzixuan.github.io/FedOT/。

関連論文リスト

• Cert-LAS: Toward Certified Model Ownership Verification for Text-to-Image Diffusion Models via Layer-Adaptive Smoothing [75.56230265544042]
  大規模テキスト・ツー・イメージ(T2I)拡散モデルにより、前例のない創造的応用が可能になったが、その無許可の使用は、深刻な知的財産権の懸念を提起している。 層適応平滑化に基づくT2Iモデルのための最初の認定MOV法であるCert-LASを提案する。 特定の条件下では、悪意のある除去攻撃があっても、我々のCert-LASは信頼性の高い検証が可能である。
  論文  参考訳（メタデータ） (2026-05-28T11:54:52Z)
• FLClear: Visually Verifiable Multi-Client Watermarking for Federated Learning [5.769453013343764]
  フェデレートラーニング(FL)は、複数のクライアントが共同で共有グローバルモデルをトレーニングすることを可能にする。 このパラダイムの中では、クライアントモデルの知的財産権(IPR)は保護されなければならない重要な資産である。 本研究では,衝突のない透かしアグリゲーション,透かしセキュリティの強化,および視覚的に解釈可能なオーナシップ検証を実現する新しいフレームワークであるFLClearを提案する。
  論文  参考訳（メタデータ） (2025-11-16T15:59:58Z)
• StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
  拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。 画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T16:35:19Z)
• Towards Dataset Copyright Evasion Attack against Personalized Text-to-Image Diffusion Models [52.877452505561706]
  データセットのオーナシップ検証(DOV)を損なうよう特別に設計された最初の著作権回避攻撃を提案する。 CEAT2Iは, 試料検出, トリガー同定, 効率的な透かし除去の3段階からなる。 実験の結果,CEAT2I はモデル性能を保ちながら DOV 機構を効果的に回避できることがわかった。
  論文  参考訳（メタデータ） (2025-05-05T17:51:55Z)
• AquaLoRA: Toward White-box Protection for Customized Stable Diffusion Models via Watermark LoRA [67.68750063537482]
  拡散モデルは高品質な画像の生成において顕著な成功を収めた。 最近の研究は、SDモデルがポストホック法医学のための透かし付きコンテンツを出力できるようにすることを目的としている。 このシナリオにおける最初の実装としてtextttmethod を提案する。
  論文  参考訳（メタデータ） (2024-05-18T01:25:47Z)
• Who Leaked the Model? Tracking IP Infringers in Accountable Federated Learning [51.26221422507554]
  Federated Learning (FL) は、大規模で分散したクライアントからのデータと計算リソースを調整する効果的な協調学習フレームワークである。 このようなコラボレーションは、個々のユーザではなく、パーティー全体によって保護され、共有されるべきモデルパラメータによって表現される非自明な知的財産(IP)をもたらす。 このようなIPリークをブロックするためには、IPを共有モデルで識別し、最初にリークした匿名の侵害者を特定することが不可欠である。 本稿では,説明責任FLの要件を満たすために,Dudeable Unique Watermarking (DUW)を提案する。
  論文  参考訳（メタデータ） (2023-12-06T00:47:55Z)
• FedTracker: Furnishing Ownership Verification and Traceability for Federated Learning Model [33.03362469978148]
  Federated Learning(FL)は、複数のクライアントがローカルデータを共有せずにグローバルモデルを共同でトレーニングできる分散機械学習パラダイムである。 これにより、悪意のあるクライアントによる不正なモデル配布や再販のリスクが生じ、FLグループの知的財産権が損なわれる。 オーナシップ検証とトレーサビリティの両方を提供する最初のFLモデル保護フレームワークであるFedTrackerを紹介します。
  論文  参考訳（メタデータ） (2022-11-14T07:40:35Z)

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。