論文の概要: RaMark: Radioactive Watermarking for Generated Tabular Data
- arxiv url: http://arxiv.org/abs/2607.09000v1
- Date: Fri, 10 Jul 2026 00:06:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 16:48:13.420837
- Title: RaMark: Radioactive Watermarking for Generated Tabular Data
- Title（参考訳）: RaMark: タブラルデータ生成のための放射能透かし
- Abstract要約: RaMarkは、正弦波依存性をデータ分布の内在成分として埋め込む放射性な透かし法である。
我々はRaMarkが7つの最先端手法よりもはるかに強力な放射能を達成し、再訓練とデータ修正攻撃の両方に対して一貫して優れた性能を発揮することを示す。
- 参考スコア（独自算出の注目度）: 26.198071919012033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in generative modeling have made generated tabular data a practical solution for privacy-sensitive data sharing, where watermarking enables ownership verification. However, existing watermarking methods fundamentally fail under retraining attacks, in which an adversary retrains a generative model on a watermarked dataset and regenerates high-utility data that no longer carries the watermark. We address this challenge by introducing radioactivity, the property that a watermark remains detectable after generative model retraining, and propose RaMark, a radioactive watermarking method that embeds a sinusoidal dependency as an intrinsic component of the data distribution. By coupling the watermark with the underlying distribution, RaMark ensures that any generative model preserving data utility also has to preserve the watermark. We theoretically show that with high probability removing watermark degrades utility and alters data distribution. Extensive experiments on two real-world tabular datasets, under a large-scale ownership verification setting with $10^5$ independent data owners, demonstrate that RaMark achieves substantially stronger radioactivity than seven state-of-the-art methods and consistently outperforms them against both retraining and data modification attacks.
- Abstract（参考訳）: 生成モデリングの最近の進歩により、生成した表型データはプライバシーに敏感なデータ共有の実用的なソリューションとなり、ウォーターマーキングによってオーナシップの検証が可能になった。
しかし、既存の透かし手法は、逆行攻撃によって本質的に失敗し、敵は透かしデータセット上の生成モデルを再訓練し、もはや透かしを運ばない高ユーティリティデータを再生する。
生成モデル再訓練後の透かしが検出可能な特性である放射能を導入し, 正弦波依存性をデータ分布の内在成分として埋め込んだ放射性透かし手法であるRaMarkを提案する。
透かしと基礎となる分布を結合することにより、RaMarkは、データユーティリティを保存する生成モデルも透かしを保存する必要があることを保証します。
理論的には,透かし除去の確率が高いと実用性は低下し,データ分布が変化する。
10^5$の独立したデータ所有者による大規模なオーナシップ検証設定の下で、2つの実世界の表層データセットに対する大規模な実験は、RaMarkが7つの最先端の手法よりもはるかに強力な放射能を達成し、リトレーニングとデータ修正攻撃の両方に対して一貫して優れることを示した。
関連論文リスト
- Observation-Level Watermarking and Detection for Tabular Data [2.5107166631583215]
STAMP (Single-observation Tabular Attribution and Marking procedure) は幅広い分布を適応し保存するために提案されている。
また,サンプルサイズが小さい場合でも確実に透かしを識別できる検出機構も開発した。
提案手法は,データ忠実度と高い検出率を維持しながら,部分集合化に対して有効かつ堅牢であることを示す。
論文 参考訳（メタデータ） (2026-07-12T04:03:55Z) - Watermarking for Proprietary Dataset Protection [67.79905448913145]
出力透かし技術は、生成モデルのトレーニングメンバーシップテストをより魅力的にするための適切なガジェットである、と我々は主張する。
我々は、従来の損失に基づく会員推定手法に対して、透かしに基づくデータセット推論アプローチを真っ向から検討する。
論文 参考訳（メタデータ） (2026-07-01T01:55:14Z) - Dataset Protection via Watermarked Canaries in Retrieval-Augmented LLMs [67.0310240737424]
本稿では,テキストデータセットの所有権を保護し,RA-LLMによる不正使用を効果的に検出するための新しいアプローチを提案する。
提案手法では,IPデータセットに特別に設計されたカナリア文書を挿入することにより,元のデータを完全に変更することなく保護する。
検出プロセス中、カナリア文書をクエリし、RA-LLMの応答を分析することにより、不正使用を識別する。
論文 参考訳（メタデータ） (2025-02-15T04:56:45Z) - Unveiling the Achilles' Heel: Backdoor Watermarking Forgery Attack in Public Dataset Protection [15.597371838613965]
バックドアの透かしは 所有権の証拠として データセット保護を再定義する
本稿では,バックドア透かしの信頼性を疑問視し,攻撃者の視点から再検討する。
偽造攻撃の問題を探索することにより、データセットのオーナシップ検証プロセスの固有の欠陥を明らかにする。
論文 参考訳（メタデータ） (2024-11-23T04:39:52Z) - Data Watermarking for Sequential Recommender Systems [52.207721219147814]
逐次リコメンデータシステムにおけるデータ透かしの問題について検討する。
データセット全体のオーナシップを保護するデータセット透かしと,個々のユーザのデータを保護するユーザ透かしという2つの設定に重点を置いています。
論文 参考訳（メタデータ） (2024-11-20T02:34:21Z) - TabularMark: Watermarking Tabular Datasets for Machine Learning [20.978995194849297]
仮説テストに基づく透かし方式であるTabularMarkを提案する。
データノイズパーティショニングは、埋め込み中のデータ摂動に利用される。
実世界のデータセットと合成データセットの実験は、検出性、非侵入性、堅牢性においてTabularMarkの優位性を示している。
論文 参考訳（メタデータ） (2024-06-21T02:58:45Z) - Watermarking Generative Tabular Data [39.31042783480766]
提案した透かしは,データ忠実性を忠実に保ちながら,有効に検出できることを理論的に示す。
また,付加音に対する強靭性も示している。
論文 参考訳（メタデータ） (2024-05-22T21:52:12Z) - 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) - ClearMark: Intuitive and Robust Model Watermarking via Transposed Model
Training [50.77001916246691]
本稿では,人間の直感的な評価を目的とした最初のDNN透かし手法であるClearMarkを紹介する。
ClearMarkは目に見える透かしを埋め込んで、厳格な値閾値なしで人間の意思決定を可能にする。
8,544ビットの透かし容量は、現存する最強の作品に匹敵する。
論文 参考訳（メタデータ） (2023-10-25T08:16:55Z) - A Resilient and Accessible Distribution-Preserving Watermark for Large Language Models [65.40460716619772]
本研究は,textbfDistribution-textbf Preserving (DiP)ウォーターマークの重要性に焦点をあてる。
現在の戦略とは対照的に,提案したDiPmarkは透かし中に元のトークン分布を同時に保存する。
言語モデルAPIにアクセスせずに検出可能で(アクセス可能)、トークンの適度な変更に対して確実に堅牢である。
論文 参考訳（メタデータ） (2023-10-11T17:57:35Z) - Did You Train on My Dataset? Towards Public Dataset Protection with
Clean-Label Backdoor Watermarking [54.40184736491652]
本稿では,公開データの保護のための一般的な枠組みとして機能するバックドアベースの透かし手法を提案する。
データセットに少数の透かしサンプルを挿入することにより、我々のアプローチは、ディフェンダーが設定した秘密関数を暗黙的に学習することを可能にする。
この隠れた機能は、データセットを違法に使用するサードパーティモデルを追跡するための透かしとして使用できる。
論文 参考訳（メタデータ） (2023-03-20T21:54:30Z)
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。