論文の概要: Probing Local Conditional Fit for Diffusion Model Membership Inference
- arxiv url: http://arxiv.org/abs/2611.02578v1
- Date: Mon, 02 Nov 2026 06:03:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 20:29:37.006728
- Title: Probing Local Conditional Fit for Diffusion Model Membership Inference
- Title（参考訳）: 拡散モデルメンバーシップ推論のための局所条件フィルタの提案
- Abstract要約: メンバーシップ推論は、候補の例がテキスト・ツー・イメージ拡散モデルのトレーニングに使用されたかどうかを決定する。
本稿では,正規化予測シフトに伴う騒音損失の初期応答を計測するemphLoFIT(Local Conditional Fit)を提案する。
4つのデータセットの評価は、微調整および事前訓練されたモデル間での会員差別の改善を示している。
- 参考スコア（独自算出の注目度）: 78.3654867506027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Membership inference determines whether a candidate example was used to train a text-to-image diffusion model and is an important tool for auditing training-data use. We identify a directional membership signal in \emph{conditional prediction shifts}, the changes in predicted noise under alternative text conditions at a fixed noisy input: whether movement toward the alternative prediction initially lowers or raises the denoising loss from its value under the original caption. Members exhibit less room for such local improvement. To quantify this response, we propose \emph{LoFIT} (Local Conditional Fit), which measures the initial response of the denoising loss along normalized prediction shifts and aggregates it across multiple text conditions and diffusion states. LoFIT requires no target-model gradients and can be computed using only forward queries to the denoiser. Evaluations on four datasets show improved membership discrimination across fine-tuned and pretrained models. LoFIT distinguishes members early in fine-tuning, while the naive denoising-loss baseline remains near chance. Controlled comparisons show that the membership signal is concentrated in the first-order response, with little discrimination from prediction-shift magnitude alone.
- Abstract（参考訳）: メンバーシップ推論は、テキスト・ツー・イメージ拡散モデルのトレーニングに候補例が使用されたかどうかを判断し、トレーニングデータの使用を監査するための重要なツールである。
定音入力において、代替テキスト条件下での予測ノイズの変化である「emph{conditional prediction shifts」において、方向メンバシップ信号が特定される。
メンバーはそのような局所的な改善の余地を減らします。
この応答を定量化するために,正規化予測シフトに沿ってデノナイジング損失の初期応答を測定し,複数のテキスト条件と拡散状態に集約する「emph{LoFIT} (Local Conditional Fit)」を提案する。
LoFITはターゲットモデル勾配を必要とせず、デノイザへの前方クエリのみを使用して計算できる。
4つのデータセットの評価は、微調整および事前訓練されたモデル間での会員差別の改善を示している。
LoFITはファインチューニングの初期段階のメンバを区別するが、素早いデノイングロスベースラインは近い確率で残っている。
制御された比較では、メンバーシップ信号は1次応答に集中しており、予測シフト等級のみとの区別はほとんどない。
関連論文リスト
- Posterior Information Dynamics of Diffusion Models for Linear Inverse Problems [11.548853370822343]
本研究は,各ノイズレベルにおいて,円滑な確率力,正確な後方値と先行値の差について検討する。
測定値の平均化は情報最小平均二乗誤差(I-MMSE)と情報ゲインをデノナイジングエラーの低減に結び付ける。
論文 参考訳（メタデータ） (2026-08-22T00:53:42Z) - Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。
パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
論文 参考訳（メタデータ） (2026-06-09T13:17:27Z) - From Unfamiliar to Familiar: Detecting Pre-training Data via Gradient Deviations in Large Language Models [24.38939297043815]
既存の手法は主に微調整前後の確率に基づく統計的特徴や信号に焦点を当てている。
対象サンプルの勾配偏差スコアを探索することにより,事前学習データを識別するGDSを提案する。
GDSは、強いベースライン上でのクロスデータセット転送性を大幅に改善し、最先端の性能を実現している。
論文 参考訳（メタデータ） (2026-03-05T05:21:51Z) - Beyond Fixed Horizons: A Theoretical Framework for Adaptive Denoising Diffusions [1.9116784879310031]
本稿では, ノイズ発生過程とノイズ発生過程の両方において, 時間均質な構造を実現する新しい生成拡散モデルを提案する。
モデルの主な特徴は、ターゲットデータへの適応性であり、事前訓練された無条件生成モデルを使用して、様々な下流タスクを可能にする。
論文 参考訳（メタデータ） (2025-01-31T18:23:27Z) - Direct Unsupervised Denoising [60.71146161035649]
教師なしのデノイザは、MMSE推定のような単一の予測を直接生成しない。
本稿では,VAEと並んで決定論的ネットワークを訓練し,中心的な傾向を直接予測するアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-27T13:02:12Z) - Towards Open-Set Test-Time Adaptation Utilizing the Wisdom of Crowds in
Entropy Minimization [47.61333493671805]
テスト時間適応(TTA)メソッドは、未ラベルのターゲットドメインにソース事前学習モデルを適用するために、モデルの予測に依存する。
本稿では, 以下の重要な経験的発見から着想を得た, 単純かつ効果的なサンプル選択法を提案する。
論文 参考訳（メタデータ） (2023-08-14T01:24:18Z)
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。