論文の概要: Dataset Inference for Data Provenance and Privacy Auditing in Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2610.24278v1
• Date: Fri, 16 Oct 2026 22:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 02:40:26.794112
• Title: Dataset Inference for Data Provenance and Privacy Auditing in Tabular Foundation Models
• Title（参考訳）: タブラル基礎モデルにおけるデータ保護とプライバシ監査のためのデータセット推論
• Abstract要約: タブラル基礎モデル(TFM)はブラックボックスAPIを通じてデプロイされ、現実世界のデータセットの大規模なコレクションでトレーニングされている。 本稿では,被疑者データセットがモデルの事前学習データの一部であるかどうかを推定することを目的とした,FMのための最初のデータセット推論手法を提案する。 以上の結果から,我々のデータセット推論手法は,プライバシー漏洩を検出するための実践的な監査ツールであり,TFMにおける独自のデータセットの利用が示唆された。
• 参考スコア（独自算出の注目度）: 20.731077198750906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular foundation models (TFMs) are increasingly deployed through black-box APIs and trained on large collections of real-world tabular datasets. As this training paradigm becomes more widely adopted, private or proprietary datasets may be incorporated into pre-training corpora, yet there are currently no dedicated methods for determining whether a given tabular dataset was used to train a TFM. As a solution, we introduce the first dataset inference method for TFMs, aiming to infer whether a suspect dataset was part of a model's pre-training data. We systematically analyze a broad collection of candidate signals that can be observed from a black-box TFM via input manipulation and find that individual signals provide only weak evidence of training data membership. However, by combining multiple complementary signals, we can infer dataset membership for several state-of-the-art TFMs trained on real tabular data, achieving up to 0.99 ROCAUC dependent on the TFM. We then study factors that influence dataset identification, including pre-training data composition, model capacity, and the use of real vs. synthetic data. Our results show that our dataset inference method is a practical auditing tool for detecting privacy leakage and the use of proprietary datasets in TFMs.
• Abstract（参考訳）: タブラル基礎モデル(TFM)はブラックボックスAPIを通じてデプロイされ、現実世界のグラフデータセットの大規模なコレクションでトレーニングされている。 このトレーニングパラダイムがより広く採用されるにつれて、プライベートあるいはプロプライエタリなデータセットを事前トレーニングコーパスに組み込むことも可能だが、TFMのトレーニングに特定の表形式のデータセットを使用したかどうかを判断するための専用の方法が現在存在しない。 提案手法は,被疑者のデータセットがモデルの事前学習データの一部であるかどうかを推定することを目的としている。 入力操作によりブラックボックスTFMから観測できる候補信号の広範な収集を系統的に分析し、個々の信号がトレーニングデータメンバーシップの弱い証拠しか得られないことを示す。 しかし、複数の補完信号を組み合わせることで、実際の表データに基づいて訓練されたいくつかの最先端のTFMに対してデータセットのメンバシップを推測することができ、TFMに依存する最大0.99ROCAUCを達成することができる。 次に,事前学習データの構成,モデルキャパシティ,実データと合成データの使用など,データセットの識別に影響を与える要因について検討する。 以上の結果から,我々のデータセット推論手法は,プライバシー漏洩を検出するための実践的な監査ツールであり,TFMにおける独自のデータセットの利用が示唆された。

関連論文リスト

• TabMF: Learning Dataset Representations with Tabular Foundation Models [21.842322228895373]
  本稿では、事前訓練された基礎モデル(TFM)を教師付きデータセットのエンコーダとして再利用するフレームワークであるTabMFを紹介する。 TabICLv2とTabPFN-2.5でTabMFをインスタンス化し、未確認の実際のデータセット上で6つのタスクにまたがる結果の表現を評価する。 2つのTabMFエンコーダは、評価された学習および古典的データセット表現のうち、最強の集約性能を得る。
  論文  参考訳（メタデータ） (2026-10-09T16:28:45Z)
• Detecting Non-Membership in LLM Training Data via Rank Correlations [12.012691770844278]
  モデルロジットへのグレーボックスアクセスのみを使用してデータセットレベルの非メンバシップを検出するテストであるPRISMを紹介する。 我々の重要な洞察は、データセットを見たことのない2つのモデルが、正規化トークンログの確率において、1つのモデルがそのデータに基づいてトレーニングされた時よりも高いランク相関を示すことである。 PRISMは、偽陽性を避けながら、テストされたすべてのデータセットにわたるトレーニングデータのメンバシップを確実に除外する。
  論文  参考訳（メタデータ） (2026-03-24T01:59:18Z)
• OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
  OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
  論文  参考訳（メタデータ） (2025-12-16T03:33:24Z)
• A Unified Data Representation Learning for Non-parametric Two-sample Testing [50.27067977793069]
  本稿では,表現学習型2サンプルテスト(RL-TST)フレームワークを提案する。 RL-TSTはまず、データセット全体に対して純粋に自己教師付き表現学習を行う。 識別モデルはこれらの赤外線で訓練され、識別表現(DR)を学習する。
  論文  参考訳（メタデータ） (2024-11-30T23:23:52Z)
• Self-Comparison for Dataset-Level Membership Inference in Large (Vision-)Language Models [73.94175015918059]
  本稿では,自己比較に基づくデータセットレベルのメンバシップ推定手法を提案する。 本手法では, 同一分布における地中構造データや非構造データへのアクセスは不要である。
  論文  参考訳（メタデータ） (2024-10-16T23:05:59Z)
• TabularFM: An Open Framework For Tabular Foundational Models [12.027087949876893]
  基礎モデル(FM)は大量のデータから一般化されたパターンを学習することができる。 FMに関するほとんどの研究は、主にテキストや画像のような非構造化データや、時系列のような半構造化データに焦点を当てている。 このギャップに対応するために、構造化データのためのFMを開発する最先端の手法を取り入れたTabularFMというフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-14T08:46:33Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。