論文の概要: Membership is Ownership: A Robust Ownership Verification Framework for Diffusion Models

• arxiv url: http://arxiv.org/abs/2608.28929v1
• Date: Fri, 28 Aug 2026 22:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.788109
• Title: Membership is Ownership: A Robust Ownership Verification Framework for Diffusion Models
• Title（参考訳）: メンバシップはオーナシップ - 拡散モデルのためのロバストなオーナシップ検証フレームワーク
• Abstract要約: 大規模な拡散モデルにより、AI関連のビジネスに多くの収益性のある下流の応用が加速された。 これらのモデルは、OpenAIやGoogleのようなテクノロジー企業にとって価値のある知的財産権(IP)と見なされている。 本研究は,AIモデルのIP保護を,最小限の実用性損失を伴う現実的な商業シナリオで検討する。
• 参考スコア（独自算出の注目度）: 14.732690805955876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale diffusion models have fueled numerous profitable downstream applications for AI-related businesses, including visual editing and content creation. Meanwhile, due to the huge amount of resource consumption (e.g., computation and high-quality data) during training, such diffusion models are deemed valuable intellectual property (IP) for tech companies like OpenAI and Google. Yet, the IP assets are vulnerable to various unauthorized uses by adversaries seeking to steal models for customized, usually commercial applications. Some existing approaches have explored IP protection for AI models; however, they mostly face structural limitations in common --- using a training-time watermarking by injecting artifacts in the model, which can impose a measurable utility cost and can be weakened by post-hoc fine-tuning. To address these challenges, this work investigates IP protection (i.e., model ownership verification) for diffusion models in a realistic commercial scenario with minimal model utility loss. Specifically, the proposed method builds a framework for model ownership verification, termed ``{Membership is Ownership} (MiO)'', based on a population-level hypothesis test on a private member evidence dataset. MiO verifies ownership using two criteria: model attribution through membership inference and model separation from public references. Both are tested at $p<10^{-6}$. We evaluate MiO on DDIM and Stable Diffusion models without modifying the owner model or its sampling pipeline, and report ROC-AUC and true-positive rates at fixed nominal false-positive targets. Furthermore, MiO stays stable under different post-theft fine-tuning and weight perturbation in adversarial scenarios, reflecting better robustness compared to the watermarking methods.
• Abstract（参考訳）: 大規模な拡散モデルは、ビジュアル編集やコンテンツ作成を含む、AI関連ビジネス向けの多くの収益性のあるダウンストリームアプリケーションに拍車をかけた。 一方、トレーニング中の膨大なリソース消費(例えば、計算と高品質のデータ)のため、そのような拡散モデルは、OpenAIやGoogleのようなテクノロジー企業にとって価値のある知的財産権(IP)と見なされる。 しかし、IP資産は、カスタマイズされた通常商用アプリケーションのためにモデルを盗もうとする敵による様々な無許可の使用に対して脆弱である。 既存のアプローチでは、AIモデルのIP保護を調査しているが、主に構造的な制限に直面している。モデルにアーティファクトを注入することでトレーニングタイムの透かしを使用することで、測定可能なユーティリティコストを課し、ホット後の微調整によって弱まることができる。 これらの課題に対処するため、本研究では、モデルの実用性損失を最小限に抑えた現実的な商業シナリオにおける拡散モデルのIP保護(すなわちモデルオーナシップ検証)について検討する。 具体的には,提案手法は,個人メンバーのエビデンスデータセットに基づく集団レベルの仮説テストに基づいて,<{Membership is Ownership} (MiO)' と呼ばれるモデルオーナシップ検証のためのフレームワークを構築する。 MiOは、メンバーシップ推論によるモデル属性と、パブリックリファレンスからのモデル分離の2つの基準を使用してオーナシップを検証する。 どちらも$p<10^{-6}$でテストされる。 DDIMおよびStable Diffusionモデル上で、所有者モデルやサンプリングパイプラインを変更することなくMiOを評価し、ROC-AUCおよび真陽性率を定値偽陽性ターゲットで報告する。 さらに、MiOは、逆向きのシナリオにおいて、異なる盗難後の微調整および重量摂動の下で安定であり、ウォーターマーキング法と比較して、より堅牢性を反映している。

関連論文リスト

• CREDIT: Certified Ownership Verification of Deep Neural Networks Against Model Extraction Attacks [54.04030169323115]
  我々は、モデル抽出攻撃(MEA)に対する認証された所有権検証であるCREDITを紹介する。 DNNモデル間の類似性を定量化し、実用的な検証しきい値を提案し、このしきい値に基づいてオーナシップ検証を行うための厳密な理論的保証を提供する。 我々は、さまざまなドメインやタスクにまたがるいくつかの主流データセットに対するアプローチを広範囲に評価し、最先端のパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2026-02-23T23:36:25Z)
• KAIROS: Scalable Model-Agnostic Data Valuation [8.766103946679435]
  KAIROSはスケーラブルでモデルに依存しない評価フレームワークで、各例に分散影響スコアを割り当てる。 KAIROSは、最先端のモデル-、Shapley-、Wassersteinベースのベースラインを精度とランタイムの両方で一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-30T12:44:28Z)
• MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
  モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。 既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。 OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
  論文  参考訳（メタデータ） (2025-06-03T01:37:09Z)
• Ranked from Within: Ranking Large Multimodal Models Without Labels [73.96543593298426]
  ソフトマックス分布から導かれる不確実性スコアは,様々なタスクにまたがるランキングモデルに対して,ロバストな基礎となることを示す。 これにより、ラベルのないデータに対するLMMのランク付けが容易になり、手動のアノテーションを必要とせずに、多様なターゲットドメインのモデルを選択するための実践的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-12-09T13:05:43Z)
• 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)
• IDEA: An Inverse Domain Expert Adaptation Based Active DNN IP Protection Method [8.717704777664604]
  ディープニューラルネットワーク(DNN)モデルの非合法的な複製、配布、導出は、経済的損失、評判のダメージ、さらにはプライバシー侵害にも影響を及ぼす可能性がある。 提案するIDEAは、アクティブな認証とソーストレーサビリティを備えた、逆ドメインエキスパート適応に基づくプロアクティブDNNIP保護手法である。 5つのデータセットと4つのDNNモデル上でIDEAを広範囲に評価し、認証制御、原因追跡成功率、各種攻撃に対する効果を実証した。
  論文  参考訳（メタデータ） (2024-09-29T09:34:33Z)
• 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)
• A Systematic Review on Model Watermarking for Neural Networks [1.2691047660244335]
  この研究は、機械学習モデルのための異なるクラスの透かしスキームを特定し解析する分類法を提案する。 これは、構造化推論を可能にする統一的な脅威モデルを導入し、ウォーターマーキング手法の有効性の比較を行う。 望ましいセキュリティ要件とMLモデルの透かしに対する攻撃を体系化する。
  論文  参考訳（メタデータ） (2020-09-25T12:03:02Z)

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。