Feng Jiang氏らは8月28日(現地時間)、大規模拡散モデルの所有権を堅牢に検証する新たなフレームワーク「Membership is Ownership (MiO)」を提案した。MiOは、既存のウォーターマーキング手法が抱えるユーティリティ損失や事後ファインチューニングによる脆弱性といった課題に対処する。モデル自体に変更を加えることなく知的財産保護を実現することを目指している。
大規模拡散モデルは、画像編集やコンテンツ生成など、AI関連ビジネスの多様なアプリケーションで広く活用されている。これらは貴重な知的財産と見なされている一方で、モデルの不正盗用や商用利用への無許可転用に対し脆弱であることが課題として指摘されてきた。
従来のAIモデルの知的財産保護手法の一つに、トレーニング時にモデルにアーティファクトを注入するウォーターマーキングがあった。しかし、この方法は測定可能なユーティリティコストを伴い、事後的なファインチューニングによって堅牢性が低下するという構造的限界に直面していた。
Feng Jiang氏、Zuobin Xiong氏、An Huang氏、Zhipeng Cai氏、Yingshu Li氏らは、これらの課題に対処するため、最小限のモデルユーティリティ損失で拡散モデルの知的財産保護（モデル所有権検証）を現実的な商用シナリオで実現する手法を研究した。提案されたフレームワークMembership is Ownership (MiO)は、プライベートなメンバーエビデンスデータセットに基づく母集団レベルの仮説検定を利用する。
MiOは、メンバーシップ推論を通じたモデル帰属と、公開参照からのモデル分離という二つの基準を用いて所有権を検証する。両基準とも$p<10^{-6}$でテストされた。DDIMおよびStable Diffusionモデルでの評価では、所有者モデルやそのサンプリングパイプラインに変更を加えることなく、ROC-AUCと真陽性率が報告されている。MiOは、盗難後のファインチューニングや敵対的シナリオでの重み摂動に対しても安定した性能を示し、ウォーターマーキング法と比較して堅牢性が高いことが実証された。この研究は、IEEE International Conference on Data Mining (ICDM) 2026に採択されている。
参考: arXiv cs.CR (アーカイブ) — 2026年9月1日 13:00 (JST)