論文の概要: Intellectual Property Protection of Hyperdimensional Computing Classifiers: Black-Box Ownership Verification via Model Watermarking
- arxiv url: http://arxiv.org/abs/2610.34942v1
- Date: Mon, 26 Oct 2026 07:08:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.781169
- Title: Intellectual Property Protection of Hyperdimensional Computing Classifiers: Black-Box Ownership Verification via Model Watermarking
- Title（参考訳）: 超次元計算分類器の知的財産保護:モデル透かしによるブラックボックス所有者認証
- Abstract要約: 超次元コンピューティング(HDC)は資源制約システムに対する効率的な学習と推論を提供する。
本稿では,3つの分類器にバックドアベースの埋め込みを適応させることにより,HDCのモデル透かしを初めて体系的に検討する。
本研究では,タスクの精度を損なうことなく透かしを学習できるかどうか,その後のモデル修正と複製を継続できるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 4.1846912227949735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperdimensional computing (HDC) offers efficient learning and inference for resource-constrained systems, yet ownership verification of its models remains underexplored. We present the first systematic investigation of model watermarking in HDC by adapting backdoor-based embedding to three classifiers with different prototype-learning mechanisms. Across four benchmarks, with conventional neural networks as references, we examine whether watermarks can be learned without compromising task accuracy and whether they survive subsequent model modification and replication. The error-driven classifiers, AdaptHD and OnlineHD, support verification at a nominal trigger exposure of 1% with at most 0.58 percentage points of mean accuracy loss, whereas single-pass Vanilla HDC requires greater exposure and can incur substantial accuracy costs. The error-driven models retain verification under native continued training, but extraction produces surrogates that reproduce much of the task behavior without verifiable watermarks. Watermark overwriting readily embeds attacker watermarks into HDC prototypes and erodes the owner's watermark more strongly than in the neural network references, although the strongest erosion coincides with large accuracy losses. We further deploy watermarked AdaptHD on an FPGA and stress its execution through undervolting and overclocking. Verification survives substantial computation errors, whereas more severe stress either causes verification failure together with accuracy collapse or results in inference timeouts. These findings establish the feasibility of watermarking in HDC while identifying limitations in retention under extraction and sensitivity to overwriting.
- Abstract（参考訳）: 超次元コンピューティング(HDC)は、資源制約のあるシステムに対して効率的な学習と推論を提供するが、そのモデルのオーナシップの検証は未検討のままである。
本稿では,3種類のプロトタイプ学習機構を持つ分類器にバックドアを組み込むことにより,HDCにおけるモデル透かしを初めて体系的に検討する。
4つのベンチマークにおいて、従来のニューラルネットワークを基準として、タスクの精度を損なうことなく透かしを学習できるかどうか、その後のモデル修正と複製を継続できるかどうかを検証した。
エラー駆動型分類器であるAdaptHDとOnlineHDは、平均精度損失の0.58ポイントが1%という名目的なトリガー露光で検証をサポートする一方、シングルパスのヴァニラHDCはより高い露光を必要とし、相当な精度のコストを発生させる。
エラー駆動モデルは、ネイティブな継続トレーニングの下で検証を継続するが、抽出は、検証可能な透かしを使わずにタスクの振る舞いの多くを再現するサロゲートを生成する。
透かし上書きは、攻撃者の透かしをHDCプロトタイプに簡単に埋め込むことができ、ニューラルネットワーク参照よりも所有者の透かしを強く侵食するが、最強の浸食は高い精度の損失を伴う。
さらにFPGA上にアダプタHDの透かしを配置し,その実行をアンダーボイングやオーバークロックによって強調する。
検証は相当な計算エラーに耐えるが、より厳しいストレスは、精度の低下と共に検証の失敗を引き起こすか、推測タイムアウトをもたらす。
以上の結果から,HDCにおける透かしは可能であり,抽出時の保持限界と上書きに対する感受性を同定した。
関連論文リスト
- A Robust Watermark-based Fingerprint Framework for GNNs Ownership Verification [28.01239999608059]
グラフニューラルネットワーク(GNN)のための堅牢なwatErMArkベースのfingeRprint frameworKを提案する。
本稿では,REMARKが保護モデルの有用性を維持しつつ,最先端のOV精度とロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-09-04T06:06:54Z) - Cert-LAS: Toward Certified Model Ownership Verification for Text-to-Image Diffusion Models via Layer-Adaptive Smoothing [75.56230265544042]
大規模テキスト・ツー・イメージ(T2I)拡散モデルにより、前例のない創造的応用が可能になったが、その無許可の使用は、深刻な知的財産権の懸念を提起している。
層適応平滑化に基づくT2Iモデルのための最初の認定MOV法であるCert-LASを提案する。
特定の条件下では、悪意のある除去攻撃があっても、我々のCert-LASは信頼性の高い検証が可能である。
論文 参考訳（メタデータ） (2026-05-28T11:54:52Z) - 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) - Robust GNN Watermarking via Implicit Perception of Topological Invariants [0.0]
InvGNN-WMは、モデルのグラフ不変量に対する暗黙の認識とオーナシップを結びつける。
軽量ヘッドは、所有者がプライベートなキャリアセット上で正規化された代数接続を予測する。
トリガーや圧縮ベースのベースラインよりも高い透かし精度が得られる。
論文 参考訳（メタデータ） (2025-10-29T20:12:42Z) - An Ensemble Framework for Unbiased Language Model Watermarking [60.99969104552168]
本研究では,アンサンブル・フレームワークであるENSを提案する。
ENSは複数の独立した透かしインスタンスを順次構成し、それぞれ異なるキーによって管理され、透かし信号を増幅する。
実験的な評価では、ENSは信頼できる検出に必要なトークンの数を大幅に減らし、平滑化やパラフレージング攻撃に対する耐性を高めている。
論文 参考訳（メタデータ） (2025-09-28T19:37:44Z) - Character-Level Perturbations Disrupt LLM Watermarks [64.60090923837701]
我々は,Large Language Model (LLM)ウォーターマーキングのためのシステムモデルを定式化する。
我々は、透かし検出器への限られたアクセスに制約された2つの現実的な脅威モデルの特徴付けを行う。
我々は,最も制限的な脅威モデルの下で,キャラクタレベルの摂動が透かし除去に著しく有効であることを実証した。
現実的な制約下での透かし除去における文字レベルの摂動の優位性と遺伝的アルゴリズム(GA)の有効性を実験的に検証した。
論文 参考訳（メタデータ） (2025-09-11T02:50:07Z) - Towards Generalized and Stealthy Watermarking for Generative Code Models [35.78974773421725]
実験の結果,コード要約タスクとコード生成タスクの両方において,CodeGuardが最大100%の透かし検証率を達成することがわかった。
ステルス性に関しては、CodeGuard は OnION 検出方法に対して最大 0.078 の検出率で例外的に実行している。
論文 参考訳（メタデータ） (2025-06-26T01:14:35Z) - Watermarking Degrades Alignment in Language Models: Analysis and Mitigation [8.866121740748447]
本稿では,Gumbel と KGW の2つの一般的な透かし手法が真理性,安全性,有用性にどのように影響するかを体系的に分析する。
本稿では,外部報酬モデルを用いてアライメントを復元する推論時間サンプリング手法を提案する。
論文 参考訳（メタデータ） (2025-06-04T21:29:07Z) - Towards Dataset Copyright Evasion Attack against Personalized Text-to-Image Diffusion Models [52.877452505561706]
データセットのオーナシップ検証(DOV)を損なうよう特別に設計された最初の著作権回避攻撃を提案する。
CEAT2Iは, 試料検出, トリガー同定, 効率的な透かし除去の3段階からなる。
実験の結果,CEAT2I はモデル性能を保ちながら DOV 機構を効果的に回避できることがわかった。
論文 参考訳（メタデータ） (2025-05-05T17:51:55Z) - 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)
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。