論文の概要: Dual-Locking Learned AI Models: A PIN-Based Sparse QIM Watermarking and Adaptive Index Permutation Approach

• arxiv url: http://arxiv.org/abs/2609.22981v1
• Date: Sat, 19 Sep 2026 12:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.920327
• Title: Dual-Locking Learned AI Models: A PIN-Based Sparse QIM Watermarking and Adaptive Index Permutation Approach
• Title（参考訳）: デュアルロック学習AIモデル:PINに基づくスパースQIM透かしと適応インデックス置換アプローチ
• Abstract要約: 本稿では、鍵駆動型インデックス置換とPINに基づく透かしを組み合わせたトレーニングニューラルネットワークの二重ロック手法を提案する。 次に、ロバストなブラインド二項透かしは、それらの量子化値を変調し、ネットワークをユーザ定義のPINに結合することでバイアス係数に埋め込まれる。 逆置換は元のモデルの精度を完全に復元するが、埋め込みされた透かしは認識できないままであり、キーアソシエーションとモデルオーサシップの盲目検証を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a dual-locking method for securing trained neural networks that combines key-driven index permutation with PIN-based watermarking based on Sparse Quantization Index Modulation (QIM). Cryptographic randomness is introduced by independently applying a uniform random permutation to each row of adaptively selected index vectors. A robust blind binary watermark is then embedded into the bias coefficients by modulating their quantized values, binding the network to a user-defined Personal Identification Number (PIN). Without the correct key, the network retains its architecture but becomes functionally impaired due to disrupted internal representations. Inverse permutation fully restores the original model accuracy, while the embedded watermark remains imperceptible and enables blind verification of key association and model authorship. To improve both locking effectiveness and recoverability, an adaptive key selection strategy redistributes high-magnitude weights to low-sensitivity positions and vice versa, increasing degradation in the locked state while preserving full recovery. Experiments on MNIST, CIFAR-10/100, and ImageNet-1K using fully connected networks, ResNet CNNs, and transformer architectures show that locking reduces accuracy below 10\%, and even below 0.5\% for CNNs, while the correct key fully restores performance. The watermark introduces no measurable accuracy degradation and reliably authenticates ownership. Analysis of embedding distributions across CNNs and transformers further indicates potential diagnostic value for identifying undertrained or suboptimally designed models. The proposed approach therefore provides simultaneous model protection, recovery, and ownership verification.
• Abstract（参考訳）: 本稿では、鍵駆動型インデックス置換と、スパース量子化指数変調(QIM)に基づくPINベースの透かしを組み合わせた、トレーニングニューラルネットワークの保護のための二重ロック手法を提案する。 適応的に選択されたインデックスベクトルの各行に一様ランダムな置換を独立に適用することにより、暗号ランダム性を導入する。 次に、ロバストなブラインドバイナリの透かしを、それらの量子化された値を変調して、ネットワークをユーザ定義の個人識別番号(PIN)に結合することでバイアス係数に埋め込む。 正しいキーがなければ、ネットワークはアーキテクチャを維持できるが、内部表現が乱れたために機能的に障害となる。 逆置換は元のモデルの精度を完全に復元するが、埋め込みされた透かしは認識できないままであり、キーアソシエーションとモデルオーサシップの盲目検証を可能にする。 ロックの有効性と回復性の両方を改善するため、適応鍵選択戦略は、高マグニチュード重みを低感度位置に再分割し、またその逆も行い、完全回復を保ちながらロック状態の劣化を増大させる。 MNIST、CIFAR-10/100、ImageNet-1Kの完全接続ネットワーク、ResNet CNN、トランスフォーマーアーキテクチャによる実験では、ロックがCNNの精度を10倍以下に低下させ、正しいキーが性能を完全に回復する。 透かしは測定可能な精度劣化を導入せず、確実に所有権を認証する。 CNNとトランスフォーマーにまたがる埋め込み分布の解析は、未学習モデルや最適でないモデルを特定するための潜在的な診断値を示す。 提案手法はモデル保護,リカバリ,オーナシップの同時検証を実現する。

関連論文リスト

• To Copy or Not to Copy: Controlling Speculative Decoding via Intrinsic Model Signals [53.517661959543894]
  投機的復号法 (SD) はLarge Language Model (LLM) の推論を著しく加速した。 既存のアプローチは、ニューラルドラフトとコンテキストベースのコピーという2つのドラフト戦略の根本的なトレードオフに直面している。 既存のコピーベース手法を解析し、それらが偶然に繰り返される傾向があることを確認する。 本稿では,LLMの遅延制御信号としてコピー処理を扱う適応型フレームワークであるSwitchSDを紹介する。
  論文  参考訳（メタデータ） (2026-09-17T12:51:20Z)
• Protecting Deep Neural Network Intellectual Property with Chaos-Based White-Box Watermarking [2.667401221288548]
  ディープニューラルネットワーク(DNN)の急速な普及により、知的財産権(IP)保護とモデル誤用に関する懸念が高まっている。 DNNの内部パラメータにオーナシップ情報を埋め込む,効率的でレジリエントなホワイトボックス透かしフレームワークを提案する。 提案手法は,ホワイトボックス設定にモデルオーナシップを組み込んで検証するための,フレキシブルでスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-12-18T15:26:50Z)
• Hyperparameter Tuning-Based Optimized Performance Analysis of Machine Learning Algorithms for Network Intrusion Detection [0.22940141855172033]
  ネットワーク侵入システム(NIDS)は、不正な活動を特定・緩和することでネットワークの確保に不可欠である。 本研究では、NIDSの精度向上のための機械学習(ML)手法の適用について検討する。
  論文  参考訳（メタデータ） (2025-12-14T15:02:48Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Entropy-Based Non-Invasive Reliability Monitoring of Convolutional Neural Networks [0.0]
  対向摂動はCNNアクティベーションにおいて即時かつ検出可能なエントロピーシグネチャを生成することを示す。 敵の入力は初期畳み込み層において、活性化エントロピーを7%変化させることを示した。 この研究は、CNNの信頼性をアクティベーションエントロピーだけで評価できることを確立し、自己診断型視覚システムの実践的な展開を可能にした。
  論文  参考訳（メタデータ） (2025-08-29T15:33:45Z)
• 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)
• Security and Privacy Enhanced Gait Authentication with Random Representation Learning and Digital Lockers [3.3549957463189095]
  慣性センサーによってキャプチャされた歩行データは、ユーザ認証において有望な結果を示している。 既存のほとんどのアプローチでは、登録された歩行パターンをパターンと一致させるために安全に保存しているため、重要なセキュリティとプライバシの問題が発生している。 本稿では,歩行データからユーザ認証のためのランダムキーを生成するゲイト暗号システムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T06:34:42Z)
• 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)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
  既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。 本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。