論文の概要: Difficulty Calibration Across Time for Membership Inference in Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.40616v1
• Date: Thu, 29 Oct 2026 17:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.556221
• Title: Difficulty Calibration Across Time for Membership Inference in Diffusion Models
• Title（参考訳）: 拡散モデルにおけるメンバーシップ推論のための時間にわたっての難解な校正
• Abstract要約: トレーニング時間と拡散時間という2つの軸に沿ってキャリブレーションする方法を示す。 単一モデルのみを用いて拡散時間にわたって校正する時間的自己校正(TSC)を提案する。
• 参考スコア（独自算出の注目度）: 24.687690742465488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern diffusion models are trained on massive datasets that often include copyrighted or private images. Membership inference attacks (MIAs) address this by testing whether a given image was in a model's training set. The standard approach scores an image by its reconstruction loss and flags low-loss images as members. This often fails because some images are simply easier to reconstruct than others, so a simple unseen image can score a lower loss than a complex training image. Difficulty calibration separates memorization from how difficult an image is to begin with. We show how to calibrate along two axes of time: training time and diffusion time. First, across training time, we introduce Reference-Model Calibration (RMC), which compares a fine-tuned model's loss against an earlier checkpoint. This cleanly isolates newly memorized data and gives near-perfect auditing, even without text captions. Since earlier checkpoints are not always available, we next present Temporal Self-Calibration (TSC), which calibrates across diffusion time using only a single model. Our key observation is that an image's difficulty persists across noise levels, whereas memorization is localized in time. By comparing the loss at a target timestep against neighboring timesteps from the same model, TSC attenuates image difficulty using the model's own trajectory. Empirically, our methods beat the state of the art by a wide margin, and unlike most existing attacks, generalize across different model parameterizations such as $x$-, $v$-, and $ε$-prediction models. Code is available at https://github.com/MichaelJoseph777/TSC.
• Abstract（参考訳）: 現代の拡散モデルは、しばしば著作権付きまたはプライベートなイメージを含む巨大なデータセットで訓練される。 メンバーシップ推論攻撃(MIA)は、与えられたイメージがモデルのトレーニングセットにあるかどうかをテストすることでこの問題に対処する。 標準的なアプローチでは、復元損失によってイメージをスコア付けし、低損失画像をメンバーとしてフラグ付けする。 これは、一部の画像は、他の画像よりも簡単に再構成できるため、単純な未確認画像は、複雑なトレーニング画像よりも低い損失を得られるため、しばしば失敗する。 難しいキャリブレーションは、暗記と画像の開始の難しさを区別する。 トレーニング時間と拡散時間という2つの軸に沿ってキャリブレーションする方法を示す。 まず、トレーニング時間にまたがって参照モデル校正(RMC)を導入します。 これは、新しく記憶されたデータをきれいに分離し、テキストキャプションなしでほぼ完璧な監査を行う。 従来のチェックポイントは必ずしも利用できないので、次に1つのモデルのみを用いて拡散時間にわたってキャリブレーションを行うTSC(Temporal Self-Calibration)を提示する。 私たちのキーとなる観察は、画像の難易度がノイズレベルを越えて持続するのに対して、記憶は時間とともに局所化されるということです。 対象の時間ステップにおける損失を同じモデルからの近隣の時間ステップと比較することにより、TSCはモデル自身の軌道を用いて画像の困難を緩和する。 既存の攻撃とは異なり、$x$-、$v$-、$ε$-predictionモデルなど、さまざまなモデルのパラメータ化を一般化する。 コードはhttps://github.com/MichaelJoseph777/TSCで入手できる。

関連論文リスト

• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Truncated Consistency Models [57.50243901368328]
  トレーニング一貫性モデルは、PF ODE 軌道に沿ったすべての中間点を対応するエンドポイントにマッピングする学習を必要とする。 このトレーニングパラダイムが一貫性モデルの1ステップ生成性能を制限することを実証的に見出した。 整合性関数の新しいパラメータ化と2段階の訓練手順を提案し,時間外学習が崩壊することを防ぐ。
  論文  参考訳（メタデータ） (2024-10-18T22:38:08Z)
• Identifying and Solving Conditional Image Leakage in Image-to-Video Diffusion Model [31.70050311326183]
  拡散モデルは、予想より少ない動きでビデオを生成する傾向がある。 推論とトレーニングの両方の観点からこの問題に対処します。 提案手法は,より低い誤差で高い動作スコアを生成することにより,ベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-06-22T04:56:16Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Learning to Compare Longitudinal Images [15.245936854932374]
  深層学習モデル(PaIRNetと呼ばれる)をトレーニングし、一対の長手画像と監督の有無を比較します。 4つのデータセットから得られた結果は,PaIRNetが有意な経年変化の局所化と定量化に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-05T15:52:07Z)

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。