랜덤 코드를 이용한 Flow Matching 모델의 역학 수준 워터마킹 기술
요약
Flow Matching 모델의 속도장(Velocity field)에 직접 워터마크를 삽입하는 역학 수준(Dynamics-level)의 새로운 워터마킹 기술을 제안합니다. 연속 채널 상의 랜덤 코딩 방식을 사용하여 생성된 데이터의 품질을 유지하면서도, 블랙박스 쿼리를 통해 메시지를 안전하게 복구할 수 있습니다.
핵심 포인트
- 모델 가중치나 출력값이 아닌 연속 역학(Continuous dynamics)에 직접 워터마크를 삽입함
- 랜덤 코딩(Random coding) 공식을 사용하여 생성된 분포의 품질 저하를 방지함
- 비밀 키(Secret key)가 없는 경우 우연 수준의 디코딩 정확도만을 보장하여 보안성을 높임
- MNIST 및 CIFAR-10 데이터셋 실험을 통해 메시지 복구 능력과 생성 품질 유지 성능을 검증함
우리는 생성 모델 (Generative Models)에 워터마킹 (Watermarking)을 적용하기 위한 역학 수준 (Dynamics-level) 접근 방식을 소개합니다. 모델의 가중치 (Weights)나 출력값 (Outputs)에 신호를 삽입하는 대신, 학습된 연속 역학 (Continuous dynamics), 즉 Flow Matching 모델의 속도장 (Velocity field)에 워터마크를 직접 삽입합니다. 우리는 이를 연속 채널 (Continuous channel) 상의 랜덤 코딩 (Random coding)으로 공식화합니다. 즉, 학습 과정에서 키 (Key)에 의존하는 섭동 (Perturbation)을 추가하며, 탐지 시점에는 블랙박스 쿼리 (Black-box queries)를 통해 메시지를 복구합니다. 이 섭동은 생성된 분포 (Generated distribution)를 변경하지 않도록 설계되었습니다. 다양한 아키텍처를 사용하여 MNIST 및 CIFAR-10 데이터셋에서 진행한 실험을 통해, 신뢰할 수 있는 메시지 복구, 생성 품질 유지, 그리고 비밀 키 (Secret key) 없이는 우연 수준 (Chance-level)의 디코딩 정확도를 확인했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기