論文の概要: Proofs of Ownership for Machine Learning Models

• arxiv url: http://arxiv.org/abs/2606.30423v1
• Date: Mon, 29 Jun 2026 15:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.295212
• Title: Proofs of Ownership for Machine Learning Models
• Title（参考訳）: 機械学習モデルにおけるオーナシップの証明
• Abstract要約: 機械学習モデルにおけるオーナーシップの証明について研究する。 私たちは、モデルの所有者、泥棒、そして裁判官の3人の間で、ゲームとしての所有権の証明をモデル化します。 我々の主な成果はブラックボックス設定における分類器の除算である。
• 参考スコア（独自算出の注目度）: 5.648645802600317
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the increasing adoption of Machine Learning, protecting model ownership has become an essential challenge. We initiate a formal study of Proof of Ownership for machine learning models: under what conditions can one prove that a stolen model originated from a particular creator? We model proofs of ownership as a game among three parties: a model owner, a thief, and a judge. The owner transforms the original model into a slightly perturbed model together with a proof of ownership. The thief then obtains the transformed model and attempts to minimally modify it so that it remains useful but escapes detection as owned by the model owner. Finally, the judge receives a model and a proof of ownership, and must decide whether the given model is a modified version of some model created by the model owner, or else the given model was developed independently. Our main result is a dichotomy for classifiers in the black-box setting: Under standard cryptographic assumptions, ownership of models for some concept class can be proven in the above sense {\em if and only if} the concept class is not self-correctable, in a sense close to that of Blum, Luby and Rubinfeld, STOC'90. The result is constructive and extends, with some variations, to a number of related settings.
• Abstract（参考訳）: 機械学習の採用が増加するにつれ、モデルのオーナシップを保護することが重要な課題となっている。 私たちは、機械学習モデルに対するオーナーシップの証明に関する正式な研究を開始します。 私たちは、モデルの所有者、泥棒、そして裁判官の3人の間で、ゲームとしての所有権の証明をモデル化します。 所有者は、元のモデルを、所有権の証明とともにわずかに乱れたモデルに変換する。 その後、泥棒は変換されたモデルを取得し、それを最小限に修正して有用であり続けるが、モデル所有者の所有する検出から逃れる。 最後に、裁判官はモデルと所有権の証明を受け取り、与えられたモデルはモデル所有者によって作成されたモデルの修正版であるか、または、与えられたモデルは独立して開発されたかを決定する必要がある。 標準的な暗号的仮定の下では、ある概念クラスに対するモデルの所有権は上記の意味で証明できる: 概念クラスが自己修正可能でない場合に限り、STOC'90, Blum, Luby and Rubinfeld に近い意味で証明できる。 結果は構成的で、いくつかのバリエーションがあり、関連するいくつかの設定に拡張されます。

関連論文リスト

• Holmes: Towards Effective and Harmless Model Ownership Verification to Personalized Large Vision Models via Decoupling Common Features [54.63343151319368]
  本稿では、類似の共通特徴を分離し、パーソナライズされたモデルに対する無害モデルオーナシップ検証手法を提案する。 最初の段階では、データセット固有の機能を中断しながら、犠牲者モデルの共通の特徴を保持するシャドウモデルを作成します。 その後、メタ分類器が訓練され、被害者のデータセット固有の特徴を含む不審なモデルを決定することで、盗まれたモデルを特定する。
  論文  参考訳（メタデータ） (2025-06-24T15:40:11Z)
• REEF: Representation Encoding Fingerprints for Large Language Models [53.679712605506715]
  REEFは、被疑者モデルと被害者モデルの表現との中心となるカーネルアライメントの類似性を計算し、比較する。 このトレーニング不要のREEFは、モデルの一般的な能力を損なうことなく、シーケンシャルな微調整、プルーニング、モデルマージ、置換に堅牢である。
  論文  参考訳（メタデータ） (2024-10-18T08:27:02Z)
• On the Limitations of Model Stealing with Uncertainty Quantification Models [5.389383754665319]
  モデルステルスは、オリジナルのトレーニングコストのごく一部で、犠牲者モデルの機能を推測することを目的としている。 実際には、モデルのアーキテクチャ、重み寸法、および元のトレーニングデータを正確に決定することはできない。 複数の可能なネットワークを生成し、それらの予測を組み合わせることで、盗まれたモデルの品質を改善する。
  論文  参考訳（メタデータ） (2023-05-09T09:31:04Z)
• Are You Stealing My Model? Sample Correlation for Fingerprinting Deep Neural Networks [86.55317144826179]
  従来の方法は、常にモデル指紋として転送可能な敵の例を利用する。 本稿では,SAmple correlation (SAC) に基づく新しいモデル盗難検出手法を提案する。 SACは、敵の訓練や移動学習を含む様々なモデル盗難攻撃をうまく防いでいる。
  論文  参考訳（メタデータ） (2022-10-21T02:07:50Z)
• DeepHider: A Multi-module and Invisibility Watermarking Scheme for Language Model [0.0]
  本稿では,モデル分類モジュールを置換し,モデル全体の微調整を行う新たな脅威を提案する。 私たちは、盗難の所有権ステートメントを防ぐために、タンパー保護やトレーサビリティといったブロックチェーンの特性を使用します。 実験の結果,提案手法は100%の透かし検証精度でオーナシップの検証に成功した。
  論文  参考訳（メタデータ） (2022-08-09T11:53:24Z)
• MOVE: Effective and Harmless Ownership Verification via Embedded External Features [104.97541464349581]
  本稿では,異なる種類のモデル盗難を同時に防ぐために,効果的かつ無害なモデル所有者認証(MOVE)を提案する。 我々は、疑わしいモデルがディフェンダー特定外部特徴の知識を含むかどうかを検証し、所有権検証を行う。 次に、メタ分類器をトレーニングして、モデルが被害者から盗まれたかどうかを判断します。
  論文  参考訳（メタデータ） (2022-08-04T02:22:29Z)
• Explain, Edit, and Understand: Rethinking User Study Design for Evaluating Model Explanations [97.91630330328815]
  我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。 単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
  論文  参考訳（メタデータ） (2021-12-17T18:29:56Z)
• Defending against Model Stealing via Verifying Embedded External Features [90.29429679125508]
  トレーニングサンプルがなく、モデルパラメータや構造にアクセスできない場合でも、敵はデプロイされたモデルを盗むことができる。 我々は、不審なモデルがディフェンダー特定遠近法の特徴の知識を含んでいるかどうかを検証することによって、他の角度からの防御を探索する。 本手法は, 複数段階の盗難処理によって盗難モデルが得られた場合でも, 同時に異なる種類の盗難モデルを検出するのに有効である。
  論文  参考訳（メタデータ） (2021-12-07T03:51:54Z)
• Dataset Inference: Ownership Resolution in Machine Learning [18.248121977353506]
  盗難モデルの訓練セットに含まれる知識は 全ての盗難コピーに共通しています 疑わしいモデルコピーが元のモデルのデータセットからプライベートな知識を持っているかどうかを識別するプロセスである$dataset$ $inferenceを紹介します。 CIFAR10、SVHN、CIFAR100、ImageNetの実験では、モデル所有者はモデル(または実際にデータセット)が盗まれたと99%以上の自信を持って主張できる。
  論文  参考訳（メタデータ） (2021-04-21T18:12:18Z)

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。