論文の概要: MeMark: Membrane-Space Watermarking for Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2608.25738v1
- Date: Wed, 26 Aug 2026 12:50:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.829123
- Title: MeMark: Membrane-Space Watermarking for Spiking Neural Networks
- Title（参考訳）: MeMark:スパイクニューラルネットワークのための膜空間透かし
- Abstract要約: チェックポイント・リユース設定のための透かしであるMeMarkを提示する。
MeMarkは選択されたLeaky Integrate-and-Fireニューロンの内部膜状態にマルチビット識別子を埋め込む。
我々は,繰り返し,畳み込み,残差,変圧器SNN間のMeMarkを評価する。
- 参考スコア（独自算出の注目度）: 16.24023192805139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spiking Neural Networks (SNNs) are increasingly distributed as pretrained checkpoints and reused as backbones for new tasks. However, current SNN watermarks are mainly verified against the model output. Thus, a user who replaces the output head can keep most of the original network while removing the evidence used for verification. We present MeMark, a watermark designed for the checkpoint-reuse setting. Instead of storing the watermark in the output head, MeMark embeds a multi-bit identifier in the internal membrane state of selected Leaky Integrate-and-Fire (LIF) neurons. A secret input drives each selected neuron to the chosen side of its own firing threshold, and the same threshold is later used to recover the secret bit, so the verifier does not need a learned decoder. We evaluate MeMark across recurrent, convolutional, residual, and transformer SNNs. On a 215.4M-parameter SpikeGPT checkpoint, all 20 independent 64-bit keys pass the fixed 51/64 verification rule, while none of the $30\,000$ fresh random keys pass when tested against all 20 protected checkpoints and the clean model. All 20 genuine keys also remain above the threshold after fine-tuning, 90\% pruning, int8 quantization, and output-head replacement. Under our stated threat model, adaptive attacks can weaken the watermark but do not remove the ownership evidence in the settings we test. Additionally, we study false ownership claims, key-aware and key-agnostic removal, partial key disclosure, rollback, and extraction into a student. The results show that MeMark can provide evidence of checkpoint derivatives, while being resistant to the adversary's attacks and complete head replacement.
- Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、事前訓練されたチェックポイントとして分散され、新しいタスクのバックボーンとして再利用される。
しかし、現在のSNN透かしは主にモデル出力に対して検証されている。
これにより、出力ヘッドを置き換えるユーザは、検証に使用する証拠を取り除きながら、元のネットワークの大部分を保持することができる。
チェックポイント・リユース設定用に設計された透かしであるMeMarkを提示する。
出力ヘッドに透かしを格納する代わりに、MeMarkは選択されたLeaky Integrate-and-Fire(LIF)ニューロンの内部膜状態にマルチビット識別子を埋め込む。
秘密入力は、選択されたニューロンを自身の発射しきい値の選択側へ駆動し、同じしきい値が後にシークレットビットの復元に使用されるため、検証者は学習された復号器を必要としない。
我々は,繰り返し,畳み込み,残差,変圧器SNN間のMeMarkを評価する。
215.4MパラメータのSpikeGPTチェックポイントでは、20個の独立した64ビットキーが固定された51/64認証ルールをパスする一方、20個の保護されたチェックポイントとクリーンモデルに対してテストされた30,000ドルの新しいランダムキーはいずれもパスしない。
20個の真のキーはすべて、微調整、90\%のプルーニング、int8量子化、出力ヘッド置換後のしきい値を超えている。
宣言された脅威モデルの下では、アダプティブアタックは透かしを弱めるが、テストする設定におけるオーナシップの証拠を排除しない。
さらに, 偽の所有権主張, 鍵認識と鍵認識の除去, 部分的鍵開示, ロールバック, 学生への抽出について検討した。
その結果、MeMarkは敵の攻撃に抵抗し、完全な頭置換に抵抗しながら、チェックポイントデリバティブの証拠を提供することができた。
関連論文リスト
- ForgetMark: Stealthy Fingerprint Embedding via Targeted Unlearning in Language Models [21.330293192156596]
textscForgetMarkはステルスな指紋認証フレームワークで、対象とする未学習を通じて証明をエンコードする。
アシスタントモデルと予測エントロピーランキングを備えたコンパクトで可読なキー-バリューセットを構築し、その後、軽量のLoRAアダプタを訓練して、一般的な機能を保ちながらキーの元の値を抑制する。
論文 参考訳（メタデータ） (2026-01-13T03:41:28Z) - Robust GNN Watermarking via Implicit Perception of Topological Invariants [0.0]
InvGNN-WMは、モデルのグラフ不変量に対する暗黙の認識とオーナシップを結びつける。
軽量ヘッドは、所有者がプライベートなキャリアセット上で正規化された代数接続を予測する。
トリガーや圧縮ベースのベースラインよりも高い透かし精度が得られる。
論文 参考訳（メタデータ） (2025-10-29T20:12:42Z) - BlockDoor: Blocking Backdoor Based Watermarks in Deep Neural Networks [3.1858340237924776]
BlockDoorは、トレーニングされたニューラルネットワークに透かしをバックドアとして埋め込む手段として、文学で使用される3種類のトリガーサンプルをすべてブロックするラッパーである。
Triggerの透かし検証の精度を最大98%まで下げることができる。
論文 参考訳（メタデータ） (2024-12-14T06:38:01Z) - Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。
本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
論文 参考訳（メタデータ） (2024-11-30T17:05:12Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - 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) - Towards Robust Model Watermark via Reducing Parametric Vulnerability [57.66709830576457]
バックドアベースのオーナシップ検証が最近人気となり,モデルオーナがモデルをウォーターマークすることが可能になった。
本研究では,これらの透かし除去モデルを発見し,それらの透かし挙動を復元するミニマックス定式化を提案する。
本手法は,パラメトリックな変化と多数のウォーターマーク除去攻撃に対するモデル透かしの堅牢性を向上させる。
論文 参考訳（メタデータ） (2023-09-09T12:46:08Z) - OVLA: Neural Network Ownership Verification using Latent Watermarks [7.661766773170363]
本稿では,潜伏した透かしに基づくニューラルネットワークのオーナシップ検証のための新しい手法を提案する。
提案手法は,バックドア検出,バックドア除去,サロゲートモデル攻撃に対する強力な防御効果を示す。
論文 参考訳（メタデータ） (2023-06-15T17:45:03Z) - Untargeted Backdoor Watermark: Towards Harmless and Stealthy Dataset
Copyright Protection [69.59980270078067]
我々は,異常なモデル行動が決定論的でない,未目標のバックドア透かし方式を探索する。
また、提案した未ターゲットのバックドア透かしをデータセットのオーナシップ検証に利用する方法について論じる。
論文 参考訳（メタデータ） (2022-09-27T12:56:56Z) - Neural network fragile watermarking with no model performance
degradation [28.68910526223425]
モデル性能の劣化を伴わない新しいニューラルネットワーク脆弱な透かしを提案する。
実験の結果,提案手法はモデル性能劣化を伴わずに,悪質な微調整を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2022-08-16T07:55:20Z) - Reversible Watermarking in Deep Convolutional Neural Networks for
Integrity Authentication [78.165255859254]
整合性認証のための可逆透かしアルゴリズムを提案する。
可逆透かしを埋め込むことが分類性能に及ぼす影響は0.5%未満である。
同時に、可逆的な透かしを適用することでモデルの完全性を検証することができる。
論文 参考訳（メタデータ） (2021-04-09T09:32:21Z)
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。