論文の概要: Reversible Unlearnable Examples: Towards the Copyright Protection in Deep Learning Era

• arxiv url: http://arxiv.org/abs/2608.06211v1
• Date: Thu, 06 Aug 2026 16:04:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.788123
• Title: Reversible Unlearnable Examples: Towards the Copyright Protection in Deep Learning Era
• Title（参考訳）: 可逆的未学習例:深層学習時代の著作権保護を目指して
• Abstract要約: ディープラーニングにおける著作権保護は、違法なモデルトレーニングと悪意のあるデータ漏洩という2つの大きな脅威に直面している。 上記のセキュリティ問題に対する新たな著作権保護機構を提案する。 提案手法は,画像に対する包括的な著作権保護を提供する。
• 参考スコア（独自算出の注目度）: 11.78038647588361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Significant advancements in deep learning have been made possible by the utilization of large datasets, underscoring the critical importance of copyright protection. Adding meticulously designed perturbations to examples, making them unlearnable has become a crucial approach for safeguarding data copyright. Existing methods for creating unlearnable examples overlook the risk of data leakage, which can threaten data ownership. Thus, copyright protection in deep learning faces two main threats: illegal model training and malicious data leakage. We investigate that these two threats cannot be solved by straightforwardly combining existing availability attacks and watermarking techniques as their negative interaction effects. Therefore, in this paper, we propose a novel copyright protection mechanism for the aforementioned security concerns. Considering that the prevention of unauthorized model training requires powerful generalizability of unlearnable perturbations, we generate perturbations to induce the model to learn uncorrelated features of input images. It works by minimizing the mutual information of the input and output of the model. On the other hand, to eliminate the side impact of unlearnable perturbations on the watermark extraction, we design a dual extraction strategy by using two distinct watermark extractors. Extensive experiments on the image datasets {ImageNet, CIFAR10, and Pets} show that our proposed method could provide comprehensive copyright protection to images. The code is available at {https://github.com/Yeah21/ReversibleUnlearnableExamples}.
• Abstract（参考訳）: ディープラーニングの重要な進歩は、大規模なデータセットの利用によって可能となり、著作権保護の重要性が強調された。 厳格に設計された摂動を例に加えることで、データ著作権を保護するための重要なアプローチとなりました。 学習不可能な例を作成するための既存の方法は、データのリークのリスクを見落とし、データの所有権を脅かす可能性がある。 このように、ディープラーニングにおける著作権保護は、違法なモデルトレーニングと悪意のあるデータ漏洩という2つの主要な脅威に直面している。 これらの2つの脅威は、既存のアベイラビリティー攻撃とウォーターマーキング技術を簡単に組み合わせて負の相互作用効果として組み合わせることによって解決できない。 そこで本稿では,上記のセキュリティ問題に対する新たな著作権保護機構を提案する。 非許可モデルトレーニングの防止には、学習不能な摂動の強力な一般化性が必要であることを考慮し、入力画像の非相関的な特徴を学習するためにモデルを誘導する摂動を生成する。 これは、モデルの入力と出力の相互情報の最小化によって機能する。 一方, 2つの異なる透かし抽出器を用いて, 透かし抽出における非学習性摂動の副作用を排除し, 二重抽出戦略を設計する。 画像データセット {ImageNet, CIFAR10, Pets} に関する大規模な実験により, 提案手法が画像に対する包括的な著作権保護を提供する可能性が示唆された。 コードはhttps://github.com/Yeah21/ReversibleUnlearnableExamples}で公開されている。

関連論文リスト

• On the Robustness of Watermarking for Autoregressive Image Generation [21.402408065930796]
  自己回帰(AR)画像生成装置は、モデル崩壊を防ぐために、出力の信頼性の高い検出と属性を要求する。 ARモデル用に特別に設計された透かし技術は、世代毎に微妙な信号を埋め込んで、下流の検証を可能にする。 これらのスキームを検証し,ウォーターマーク除去と偽造攻撃の両方に対する脆弱性を実証する。
  論文  参考訳（メタデータ） (2026-04-13T16:56:48Z)
• Attention to Neural Plagiarism: Diffusion Models Can Plagiarize Your Copyrighted Images! [21.559370416327084]
  我々は、新しいニューラルモデルによって引き起こされる重要な脅威、すなわちデータプラジャリズムを強調します。 最新のニューラルモデルは、ウォーターマーキング技術によって保護された場合でも、著作権のある画像を複製する方法を実証する。 本稿では,著作権データの複製を偽造するか,著作権あいまいさを導入するニューラルプラジャリズムに対する一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-25T05:08:08Z)
• Copyright Infringement Risk Reduction via Chain-of-Thought and Task Instruction Prompting [7.04790342345686]
  トレーニングデータセットの再生は 著作権侵害のリスクをもたらす 本稿では,著作権のあるコンテンツ生成を減らすために,チェーン・オブ・ソートとタスク・インストラクションを併用した定式化を提案する。 生成した画像の著作権画像との類似性およびユーザ入力との関連性について検討する。
  論文  参考訳（メタデータ） (2025-12-17T13:39:17Z)
• Optimization-Free Universal Watermark Forgery with Regenerative Diffusion Models [50.73220224678009]
  ウォーターマーキングは、人工知能モデルによって生成された合成画像の起源を検証するために使用できる。 近年の研究では, 対象画像から表層画像への透かしを, 対角的手法を用いてフォージできることが示されている。 本稿では,最適化フリーで普遍的な透かし偽造のリスクが大きいことを明らかにする。 我々のアプローチは攻撃範囲を大きく広げ、現在の透かし技術の安全性により大きな課題をもたらす。
  論文  参考訳（メタデータ） (2025-06-06T12:08:02Z)
• 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)
• SEAL: Semantic Aware Image Watermarking [26.606008778795193]
  本稿では,生成した画像のセマンティック情報を透かしに直接埋め込む新しい透かし手法を提案する。 キーパターンは、局所性に敏感なハッシュを用いて画像のセマンティック埋め込みから推測することができる。 以上の結果から,画像生成モデルによるリスクを軽減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-15T15:29:05Z)
• Exploiting Watermark-Based Defense Mechanisms in Text-to-Image Diffusion Models for Unauthorized Data Usage [14.985938758090763]
  安定拡散のようなテキストと画像の拡散モデルは、高品質な画像を生成するのに例外的な可能性を示している。 近年の研究では、これらのモデルのトレーニングに不正データを使用することが懸念されており、知的財産権侵害やプライバシー侵害につながる可能性がある。 本稿では、拡散過程を利用して保護された入力に対して制御された画像を生成するRATTANを提案する。
  論文  参考訳（メタデータ） (2024-11-22T22:28:19Z)
• EnTruth: Enhancing the Traceability of Unauthorized Dataset Usage in Text-to-image Diffusion Models with Minimal and Robust Alterations [73.94175015918059]
  本稿では、未承認のデータセット使用のトレーサビリティを高める新しいアプローチであるEnTruthを紹介する。 テンプレートの暗記を戦略的に取り入れることで、EnTruthは不正なモデルの特定の振る舞いを侵害の証拠として引き起こすことができる。 本手法は, 暗記の正当性を調査し, 著作権保護に利用し, 呪いを祝福する最初の方法である。
  論文  参考訳（メタデータ） (2024-06-20T02:02:44Z)
• Reliable Model Watermarking: Defending Against Theft without Compromising on Evasion [15.086451828825398]
  回避敵は、ウォーターマークサンプルを記憶したモデルによって生成されるショートカットを、容易に利用することができる。 モデルを学習してそれらを正確に認識することで、ユニークな透かし行動が知識注入によって促進される。
  論文  参考訳（メタデータ） (2024-04-21T03:38:20Z)
• The Stronger the Diffusion Model, the Easier the Backdoor: Data Poisoning to Induce Copyright Breaches Without Adjusting Finetuning Pipeline [30.80691226540351]
  我々は、生成AIモデルに対する著作権侵害攻撃を形式化し、SilentBadDiffusionというバックドア攻撃手法を提案した。 本手法は, 著作権情報とテキスト参照の接続を有毒データに戦略的に埋め込む方法である。 本実験は, 汚染データの盗みと有効性を示すものである。
  論文  参考訳（メタデータ） (2024-01-07T08:37:29Z)
• A Dataset and Benchmark for Copyright Infringement Unlearning from Text-to-Image Diffusion Models [52.49582606341111]
  著作権法は、クリエイティブ作品を再生、配布、収益化する排他的権利をクリエイターに与えている。 テキスト・ツー・イメージ・ジェネレーションの最近の進歩は、著作権の執行に重大な課題をもたらしている。 CLIP、ChatGPT、拡散モデルを調和させてデータセットをキュレートする新しいパイプラインを導入する。
  論文  参考訳（メタデータ） (2024-01-04T11:14:01Z)
• Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
  高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。 安全で堅牢なバックドア型透かし注入法を提案する。 我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
  論文  参考訳（メタデータ） (2023-09-04T19:58:35Z)
• Model Watermarking for Image Processing Networks [120.918532981871]
  深層モデルの知的財産権を保護する方法は、非常に重要であるが、真に研究されていない問題である。 画像処理モデルを保護するための最初のモデル透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T18:36:18Z)

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。