論文の概要: Provenance Signatures for Low Rank Adaptations of Image Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.36933v1
• Date: Tue, 27 Oct 2026 09:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.559521
• Title: Provenance Signatures for Low Rank Adaptations of Image Diffusion Models
• Title（参考訳）: 画像拡散モデルの低ランク適応のための前兆信号
• Abstract要約: 我々は、サービスが標準モデルに適応している可能性があることを検知するプロトコルを開発する。 可能な適応と代替モデルのセットが不明な現実的なオープンワールドシナリオを考察する。
• 参考スコア（独自算出の注目度）: 5.255638707487307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have revolutionized the generation of realistic artificial images. Efficient techniques such as Low Rank Adaptation (LoRA) can modify these models for particular use cases, making them more diverse and widely usable. At the same time, open base models may be adapted to deliver biased, harmful or illegal images in an online service. In this paper, we develop a protocol to detect when a service may be using an adaptation of an otherwise standard model. We describe the precise setup and threat model for this provenance question and define two different problems arising due the presence of multiple model families and multiple adaptations. In contrast to previous works that have considered model identification within lists of known candidate models, we consider the realistic open world scenario where the set of possible adaptations and alternative models are unknown. Using a hypothesis testing approach, our protocols can distinguish between the base model, a LoRA adaptation and other completely different families of models. For this test, we develop a black box signature of the models based only on intrinsic dimension of sets of images generated by the models.
• Abstract（参考訳）: 拡散モデルは現実的な人工画像の生成に革命をもたらした。 低ランク適応(LoRA)のような効率的なテクニックは、特定のユースケースのためにこれらのモデルを変更できるため、より多様で広く使用することができる。 同時に、オープンベースモデルは、オンラインサービスにおいてバイアス、有害、違法なイメージを提供するように適合する可能性がある。 本稿では、サービスが標準モデルに適応している可能性があることを検知するプロトコルを開発する。 本稿では、この証明問題に対する正確な設定モデルと脅威モデルについて述べ、複数のモデルファミリと複数の適応が存在することが原因で生じる2つの異なる問題を定義する。 既知候補モデルのリスト内のモデル同定を考慮した過去の研究とは対照的に、可能な適応と代替モデルの集合が未知の現実的なオープンワールドシナリオを考える。 仮説テスト手法を用いることで,提案プロトコルはベースモデル,LoRA適応,および他の全く異なるモデルのファミリーを区別することができる。 本テストでは,モデルが生成する画像の集合の内在次元のみに基づいて,モデルのブラックボックスシグネチャを開発する。

関連論文リスト

• Guess the Unified Model: How Much Can We Recover from Generated Images? [3.248768581088291]
  7つの統一モデルにより生成された画像を用いて、汚職、ドメイン、プロンプト言語間の分離性を検討する。 モデル属性は,モデル毎の約20K画像でほぼ完全な精度を実現するため,極めて実現可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-24T20:59:08Z)
• RoFL: Robust Fingerprinting of Language Models [37.78291630618266]
  そこで本研究では,モデル開発者が指紋による識別を行うための新しい手法を提案する。 本手法では,限られたクエリ数を用いてブラックボックス設定でモデル識別を行う。 提案手法は,モデルや推論設定の共通的な変更に対して,高い堅牢性を提供する。
  論文  参考訳（メタデータ） (2025-05-19T04:00:23Z)
• Anti-Forgetting Adaptation for Unsupervised Person Re-identification [87.0061997256388]
  デュアルレベル・ジョイント・アダプテーションとアンチフォゲッティング・フレームワークを提案する。 ソースドメインと各適用対象ドメインを忘れることなく、モデルを新しいドメインに漸進的に適応させる。 提案手法は、教師なしのReIDモデルのアンチフォッゲッティング、一般化、後方互換性能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-11-22T03:05:06Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Partial Models for Building Adaptive Model-Based Reinforcement Learning Agents [37.604622216020765]
  部分モデルの概念的にシンプルなアイデアにより、深層モデルに基づくエージェントがこの課題を克服できることを示す。 我々は、ディープダイナQ、PlaNet、Dreamerなどのエージェントで部分モデルを使用することで、環境の局所的な変化に効果的に適応できることを示す。
  論文  参考訳（メタデータ） (2024-05-27T07:46:36Z)
• Diffusion-TTA: Test-time Adaptation of Discriminative Models via Generative Feedback [97.0874638345205]
  生成モデルは、識別モデルのための優れたテストタイムアダプタになり得る。 提案手法であるDiffusion-TTAは,事前学習した判別モデルを,テストセットの各未学習例に適応させる。 拡散-TTAは,様々な大規模事前学習型判別モデルの精度を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2023-11-27T18:59:53Z)
• Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
  既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。 適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
  論文  参考訳（メタデータ） (2022-10-28T17:52:10Z)

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。