論文の概要: On the Vulnerabilities and Data-Free Removal of Watermarks in Batch Normalization Layers

• arxiv url: http://arxiv.org/abs/2610.28076v1
• Date: Tue, 20 Oct 2026 11:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.796217
• Title: On the Vulnerabilities and Data-Free Removal of Watermarks in Batch Normalization Layers
• Title（参考訳）: バッチ正規化層における透かしの脆弱性と無データ除去について
• Abstract要約: BNベースの透かし方式の基本的脆弱性を特定し,それらを利用した実用的なデータフリー攻撃を提案する。 2つの代表的FL透かし方式の実験結果から,提案手法はモデル性能に最小限の影響を伴って一貫して透かしを除去することを示した。
• 参考スコア（独自算出の注目度）: 50.59575731390721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Batch Normalization (BN) layers have become a common choice for embedding white-box watermarks in Federated Learning (FL), providing a simple and effective mechanism for model ownership verification and participant identification. However, previous works have focused on robustness against generic model modifications, leaving the security implications of this design largely unexplored. In this paper, we identify fundamental vulnerabilities of BN-based watermarking schemes and propose a practical data-free attack that exploits them. Experimental results on two representative FL watermarking schemes show that the proposed attack consistently removes the watermark with minimal impact on model performance, even without access to representative training data. More broadly, our findings highlight the importance of evaluating DNN watermarking schemes under threat models consistent with Kerckhoffs's principle, rather than relying on security through obscurity.
• Abstract（参考訳）: バッチ正規化(BN)レイヤは、モデルオーナシップの検証と識別のためのシンプルで効果的なメカニズムを提供する、フェデレートラーニング(FL)にホワイトボックスの透かしを埋め込むための一般的な選択肢となっている。 しかし、以前の研究は一般的なモデル修正に対する堅牢性に重点を置いており、この設計のセキュリティ上の意味はほとんど解明されていない。 本稿では,BNベースの透かし方式の基本的脆弱性を特定し,それらを利用した実用的なデータフリー攻撃を提案する。 2つの代表的FL透かし方式の実験結果から,提案した攻撃は,代表訓練データにアクセスしなくても,モデル性能に最小限の影響を与えることなく,一貫して透かしを除去することを示した。 より広範に、我々の発見は、不明瞭性を通じてセキュリティに頼るのではなく、ケルクホフスの原則と整合した脅威モデルの下でDNNの透かし方式を評価することの重要性を強調した。

関連論文リスト

• WaterVIB: Learning Minimal Sufficient Watermark Representations via Variational Information Bottleneck [54.83612291453286]
  既存の方法は、原点を高周波カバーテクスチャで絡み合わせるため失敗するが、これは生成的浄化の際に書き換えられる可能性がある。 本研究では,変分情報ボトルネックを介してエンコーダを情報シーブとして再構成するフレームワークであるWaterVIBを提案する。 これにより、余分なカバーニュアンスを生成的シフトに傾向し、再生に不変な信号のみを保持することができる。
  論文  参考訳（メタデータ） (2026-02-25T02:38:17Z)
• SSCL-BW: Sample-Specific Clean-Label Backdoor Watermarking for Dataset Ownership Verification [8.045712223215542]
  本稿では,サンプル特異的クリーンラベルバックドア透かし(SSCL-BW)を提案する。 U-Netベースの透かしサンプルジェネレータをトレーニングすることにより,サンプル毎に独自の透かしを生成する。 ベンチマークデータセットを用いた実験は,提案手法の有効性と潜在的な透かし除去攻撃に対する頑健性を示す。
  論文  参考訳（メタデータ） (2025-10-30T12:13:53Z)
• On the Weaknesses of Backdoor-based Model Watermarking: An Information-theoretic Perspective [39.676548104635096]
  機械学習モデルの知的財産権の保護は、AIセキュリティの急激な懸念として浮上している。 モデルウォーターマーキングは、機械学習モデルのオーナシップを保護するための強力なテクニックである。 本稿では,既存の手法の限界を克服するため,新しいウォーターマーク方式であるIn-distriion Watermark Embedding (IWE)を提案する。
  論文  参考訳（メタデータ） (2024-09-10T00:55:21Z)
• Reliable Model Watermarking: Defending Against Theft without Compromising on Evasion [15.086451828825398]
  回避敵は、ウォーターマークサンプルを記憶したモデルによって生成されるショートカットを、容易に利用することができる。 モデルを学習してそれらを正確に認識することで、ユニークな透かし行動が知識注入によって促進される。
  論文  参考訳（メタデータ） (2024-04-21T03:38:20Z)
• Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
  高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。 安全で堅牢なバックドア型透かし注入法を提案する。 我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
  論文  参考訳（メタデータ） (2023-09-04T19:58:35Z)
• Reversible Quantization Index Modulation for Static Deep Neural Network Watermarking [57.96787187733302]
  可逆的データ隠蔽法(RDH)は潜在的な解決策を提供するが、既存のアプローチはユーザビリティ、キャパシティ、忠実性の面で弱点に悩まされている。 量子化指数変調(QIM)を用いたRDHに基づく静的DNN透かし手法を提案する。 提案手法は,透かし埋め込みのための1次元量化器に基づく新しい手法を取り入れたものである。
  論文  参考訳（メタデータ） (2023-05-29T04:39:17Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)

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。