論文の概要: LoRango: It Takes Two LoRAs to Unlock Hidden Behaviors in Diffusion Models

• arxiv url: http://arxiv.org/abs/2609.25884v1
• Date: Tue, 22 Sep 2026 08:50:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.302935
• Title: LoRango: It Takes Two LoRAs to Unlock Hidden Behaviors in Diffusion Models
• Title（参考訳）: LoRango:拡散モデルで隠れた振る舞いをアンロックするために2つのLoRAを使う
• Abstract要約: テキストと画像の拡散において、ペア条件の攻撃を識別し、特徴付ける。 補完的なSignatureアダプタとPayloadアダプタを通じて、この攻撃を実現するためにLoRangoを導入します。 LoRangoはSD v1.5で97.9%、SDXLで98.7%、インプラントアダプターを個別にロードすると2.8--4.6%である。
• 参考スコア（独自算出の注目度）: 27.813417787879573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Users commonly combine multiple Low-Rank Adaptation (LoRA) adapters to personalize images with different subjects, styles, and visual attributes. Yet inspecting adapters individually does not establish the safety of their composition. We identify and characterize a pair-conditioned attack in text-to-image diffusion: individually useful and benign-appearing adapters redirect image generation when co-loaded with a specifically matched partner, whose identity serves as the trigger. We introduce LoRango to realize this attack through complementary Signature and Payload adapters. The Signature writes a pair-specific code into intermediate carrier representations, while the Payload uses code-selective responses and opposing signal/reference branches. These branches approximately cancel for standalone adapters and mismatched pairs; matched code-reader alignment breaks cancellation within native GEGLU blocks and releases the programmed action. Both adapters are exported as ordinary static LoRA files compatible with standard loaders, requiring no prompt trigger or base-pipeline modification. LoRango achieves matched-pair attack success rates of 97.9\% on SD v1.5 and 98.7\% on SDXL, compared with 2.8--4.6\% when implanted adapters are loaded individually. Further experiments evaluate pair selectivity, standalone fidelity, robustness to deployment variations, and applicability across denoiser architectures. These findings show that individual-adapter inspection is insufficient to assess the security of multi-LoRA personalization and motivate auditing adapter compositions.
• Abstract（参考訳）: ユーザーは通常、複数のローランド適応(LoRA)アダプタを組み合わせて、異なる主題、スタイル、視覚属性で画像をパーソナライズする。 しかし、個別にアダプタを検査しても、その構成の安全性は確立しない。 我々は、テキストと画像の拡散においてペア条件の攻撃を識別し、特徴付けする: 個別に有用で良性に現れるアダプタは、特定のマッチングされたパートナーと同一のIDが引き金となるときに、画像生成をリダイレクトする。 補完的なSignatureアダプタとPayloadアダプタを通じて、この攻撃を実現するためにLoRangoを導入します。 Signatureはペア固有のコードを中間キャリア表現に書き込み、Payloadはコード選択応答と反対信号/参照ブランチを使用する。 これらのブランチは、スタンドアローンのアダプタとミスマッチしたペアをほぼキャンセルし、マッチしたコードリーダーアライメントはネイティブのEGLUブロック内でキャンセルを中断し、プログラムされたアクションを解放する。 どちらのアダプタも標準ローダと互換性のある通常の静的LoRAファイルとしてエクスポートされ、プロンプトトリガーやベースパイプの修正は不要である。 LoRangoはSD v1.5で97.9\%、SDXLで98.7\%、インプラントアダプターを個別にロードすると2.8--4.6\%となる。 さらなる実験では、ペアの選択性、スタンドアロンの忠実さ、デプロイメントのばらつきに対する堅牢性、およびデノイザアーキテクチャ全体にわたる適用性を評価する。 これらの結果から,マルチLoRAパーソナライゼーションの安全性と監査用アダプタ構成のモチベーションを評価するには,個別適応検査が不十分であることが示唆された。

関連論文リスト

• LiST: Local-Simplex Test-Time LoRA Fusion [68.96696100246577]
  textbfLiSTはラベルのないテストタイムのLoRA融合フレームワークである。 マルチモーダルおよび言語ベンチマークの実験では、LiSTは静的LoRAマージや従来のテスト時間適応ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-08-23T11:24:28Z)
• LoRAScan: Detecting Backdoor Prompts in Low-Rank Adapters for Large Language Models via Down-Projection Activation Spikes [4.324744046348926]
  低ランク適応は、コンパクトアダプターによる大規模言語モデルの効率的な特殊化と分散を可能にする。 バックドアアダプタは、入力に隠されたトリガーが含まれている場合、モデルが有害なコンテンツ、悪意のあるコード、政治的プロパガンダ、隠蔽広告を生成する可能性がある。 そこで我々は,最初のアダプタ対応ディフェンスであるLoRAScanを紹介した。このディフェンスは,アダプタパラメータを変更することなく,推論時にトリガ付き入力を検出し,拒否する。
  論文  参考訳（メタデータ） (2026-08-07T04:36:24Z)
• Compliance2LoRA: Personalizable On-Demand Safety Alignment on Arbitrary Policy Subsets via Hypernetwork-Generated LoRA Adapters [50.29667251847595]
  大規模推論モデル(LRM)におけるトレーニング後のアライメントは、様々な安全コンプライアンス設定への適応性を著しく改善した。 下流ユーザーに対するLRMのパーソナライズが中心となるため、様々なレベルのポリシーコンプライアンスの需要が増大する。 マルチポリシーコンプライアンスのための適応型ハイパーネットワークベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-30T02:30:03Z)
• LILAC: Layer-Wise Independent LoRAs and Cascaded Conditioning for Multi-Concept Customization of Diffusion Models [4.220963314690644]
  共有重み空間において独立に訓練された概念アダプタを融合させる方法は、アイデンティティの混乱とスタイルの出血に悩まされる。 LILACは、独立に訓練された低ランクアダプタを推論時に構成するフレームワークである。 LILACは、ジョイントトレーニングなしでアダプタを構成し、概念の数を線形にスケールし、バックボーンに依存しない。
  論文  参考訳（メタデータ） (2026-07-06T08:33:58Z)
• Signs Beat Floats: Low-Rank Double-Binary Adaptation for On-Device Fine-Tuning [5.790458475928127]
  LoRDBAはLoRA互換のアダプタで、ローランクな要素とバイナリなシグネチャキャリアの両方を置き換える。 有限サンプル解析により、復元品質は元のLoRA因子の残差とマグニチュード比によって制御されていることが示された。
  論文  参考訳（メタデータ） (2026-05-22T02:37:14Z)
• SCALE-LoRA: Auditing Post-Retrieval LoRA Composition with Residual Merging and View Reliability [2.9388795721577328]
  低ランク適応(LoRA)アダプタはパラメータ効率適応の実用的な副産物になりつつある。 オープンプール LoRA 再利用のための監査・構成フレームワークである Sparse-Composition Agreement Layer (SCALE) を導入する。 実験項目では,詳細なスコア,ペア監査,パスコスト記録が報告されている。
  論文  参考訳（メタデータ） (2026-05-02T13:00:05Z)
• Differentially Private Federated Low Rank Adaptation Beyond Fixed-Matrix [15.815684304898575]
  大規模言語モデル(LLM)は通常、ドメイン固有のタスクを微調整する必要がある。 両方のアダプタにノイズを追加することで、モデル上の合成ノイズが増幅され、一方のアダプタを固定すると、微調整の学習性が損なわれる。 高い差分プライバシーを持つ低ランクアダプタを効果的に更新するための,新しいフェデレートLoRAフレームワークであるFedASKを提案する。
  論文  参考訳（メタデータ） (2025-07-14T07:17:24Z)
• Stylus: Automatic Adapter Selection for Diffusion Models [81.90482700433822]
  本稿では,プロンプトのキーワードに基づいて,タスク固有のアダプタを効率的に選択し,自動生成するStylusを紹介する。 Stylus氏はまず、改善された記述と埋め込みでアダプタを要約し、関連するアダプタを検索し、さらにプロンプトのキーワードに基づいてアダプタを組み立てる3段階のアプローチを概説している。
  論文  参考訳（メタデータ） (2024-04-29T17:59:16Z)
• S-LoRA: Serving Thousands of Concurrent LoRA Adapters [59.490751234925206]
  パラメータ効率のよい微調整法であるLoRA(Lo-Rank Adaptation)は、ベースモデルを複数のタスクに適応させるためによく用いられる。 本稿では,多数のLoRAアダプタのスケーラブルな提供を目的としたシステムであるS-LoRAを提案する。
  論文  参考訳（メタデータ） (2023-11-06T17:26:17Z)

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。