Resumen Técnico: Marca de Agua Espectral Robusta para Datos Tabulares Sintéticos (Tab-Drw)

Enunciado del Problema

La proliferación de la IA generativa ha permitido la creación de datos tabulares sintéticos de alta fidelidad en dominios críticos como la atención sanitaria, las finanzas y las políticas públicas. Si bien esto facilita el intercambio de datos y el entrenamiento de modelos, introduce riesgos significativos en cuanto a la procedencia de los datos, los derechos de propiedad intelectual y un posible uso indebido (por ejemplo, fraude o toma de decisiones clínicas sesgadas). Las soluciones de marca de agua existentes para datos tabulares sintéticos enfrentan tres limitaciones principales:

1. Costo Computacional: Los métodos de fase de muestreo a menudo dependen de procesos inversos de grandes modelos de difusión (por ejemplo, inversión DDIM), que son computacionalmente costosos y propensos a errores de reconstrucción.
2. Limitaciones en el Tipo de Datos: Muchos métodos tienen dificultades con datos mixtos discretos-continuos o no logran preservar la utilidad de los datos cuando se aplican a características heterogéneas.
3. Robustez: Los enfoques actuales a menudo carecen de resiliencia frente a ataques comunes de posprocesamiento, como la adición de ruido, la discretización o la eliminación de filas/columnas.

El artículo argumenta que un esquema de marca de agua efectivo debe satisfacer simultáneamente cuatro propiedades: fidelidad (preservar la calidad de los datos), detectabilidad (identificación fiable), aplicabilidad (soportar datos de tipo mixto y edición posterior a la generación) y robustez (resiliencia frente a ataques).

Metodología: Tab-Drw

Los autores proponen Tab-Drw, un esquema de marca de agua ligero de edición posterior que incrusta señales en el dominio de la frecuencia sin requerir acceso al modelo generativo. El método opera a través de tres etapas principales:

1. Preprocesamiento y Transformación

Para manejar datos tabulares heterogéneos (que mezclan características continuas y discretas), el método aplica primero una Transformación Yeo-Johnson (YJT) seguida de estandarización. Este paso normaliza las escalas de las características y reduce la asimetría, mapeando los datos a un espacio unificado de valores reales. Posteriormente, se aplica una Transformada Discreta de Fourier (DFT) por fila para mapear los datos estandarizados al dominio de la frecuencia.

2. Incrustación de la Marca de Agua

La incrustación central ocurre en el dominio de la frecuencia. El algoritmo identifica "entradas efectivas" (las partes imaginarias de los coeficientes DFT, excluyendo el componente CC y la frecuencia de Nyquist).

• Generación de Bits Pseudoaleatorios: Se emplea un novedoso esquema de generación de bits pseudoaleatorios basado en rangos. En lugar de almacenar una secuencia de bits masiva, el método deriva bits de manera determinista para cada fila basándose en el rango de la fila (calculado a partir de un subconjunto de columnas seleccionado mediante una clave secreta). Esto utiliza una estructura de árbol binario y principios de código Gray para asegurar que pequeñas perturbaciones en los datos (ataques) no alteren drásticamente la secuencia de bits generada.
• Alineación de Señales: Las partes imaginarias de las entradas DFT seleccionadas se ajustan para alinear sus signos con los bits pseudoaleatorios generados. Los autores introducen una "variante suave" controlada por hiperparámetros $(\gamma, \delta)$ para limitar la distorsión. Esto permite un equilibrio entre la fuerza de la marca de agua y la fidelidad de los datos, modificando solo entradas con magnitudes imaginarias pequeñas o reduciendo el factor de modificación.

3. Reconstrucción y Detección

La representación modificada en el dominio de la frecuencia se transforma de nuevo al dominio del tiempo mediante la DFT Inversa (IDFT). Los datos se estandarizan inversamente y se transforman inversamente mediante YJT. Para las características discretas, los valores se redondean a la entrada válida más cercana; para las características acotadas, se aplica recorte.

La detección implica revertir los pasos de preprocesamiento para recuperar el dominio de la frecuencia, reconstruir los bits pseudoaleatorios utilizando la clave secreta y el mecanismo basado en rangos, y calcular un puntuación Z. Esta puntuación mide la alineación estadística entre los signos imaginarios de los datos sospechosos y los bits reconstruidos. Una puntuación Z alta indica la presencia de la marca de agua.

Contribuciones Clave

1. Un Nuevo Esquema de Marca de Agua: Tab-Drw es un método de edición posterior que incrusta señales robustas en el dominio de la frecuencia. Es computacionalmente eficiente, agnóstico al modelo y soporta datos tabulares de tipo mixto mientras preserva una alta fidelidad de los datos.
2. Generación de Bits Pseudoaleatorios Basada en Rangos: Los autores introducen un método para generar bits secretos sobre la marcha utilizando estadísticas de rango por fila y una estructura de árbol binario. Esto elimina la necesidad de almacenamiento explícito de secuencias de bits y mejora la robustez frente a ataques de posprocesamiento aprovechando la estabilidad de las estadísticas de rango.
3. Análisis Teórico: El artículo proporciona expresiones de forma cerrada para el sesgo (distorsión) introducido por la marca de agua y establece límites inferiores teóricos para la puntuación Z bajo ruido gaussiano aditivo, demostrando la detectabilidad del método incluso bajo perturbaciones moderadas.
4. Validación Empírica: Experimentos extensos en cinco conjuntos de datos de referencia (Adult, Magic, Shoppers, Default, Drybean) demuestran que Tab-Drw supera a las líneas base existentes (tanto de fase de muestreo como de edición posterior) en robustez frente a diversos ataques (eliminación, ruido, discretización, mezcla) mientras mantiene una alta utilidad de los datos.

Resultados Experimentales

• Fidelidad vs. Detectabilidad: Tab-Drw logra puntuaciones de fidelidad de datos comparables a datos sin marca de agua y a las líneas base existentes. Demuestra un equilibrio ajustable donde aumentar la fuerza de la marca de agua (mediante hiperparámetros) mejora la puntuación Z con una degradación mínima en las métricas de utilidad (Densidad, Correlación, C2ST, MLE).
• Robustez: Bajo diez tipos de ataques de posprocesamiento (incluyendo eliminación de filas/columnas, ruido gaussiano y cuantización), Tab-Drw logra consistentemente las puntuaciones Z más altas o las segundas más altas. A diferencia de las líneas base que fallan bajo ruido o eliminación, Tab-Drw mantiene la detectabilidad incluso cuando se altera el 10-20% de los datos.
• Ataques Adaptativos: El método permanece robusto frente a ataques adaptativos donde los adversarios intentan interrumpir el proceso de clasificación o volver a marcar los datos con claves diferentes. Incluso después de diez rondas de re-marcaje, la marca de agua original sigue siendo detectable, aunque la fidelidad de los datos se degrade.
• Tiempo de Ejecución: La incrustación y la detección son altamente eficientes (subsegundo para 1K filas en CPU), superando significativamente a los métodos de fase de muestreo que requieren procesos de inversión intensivos en GPU.
• Variables de Baja Entropía: Un estudio de caso sobre variables categóricas (por ejemplo, género) muestra que el método es consciente de la entropía, raramente invierte atributos de baja entropía y confina cualquier inversión necesaria a regiones semánticamente ambiguas cerca de los límites de los clústeres.

Significado y Afirmaciones

El artículo afirma que Tab-Drw ofrece una base sólida para el intercambio seguro de datos y la IA generativa que preserva la privacidad al abordar la brecha crítica en la marca de agua robusta, eficiente y aplicable para datos tabulares.

Los autores enfatizan que su enfoque:

• Desacopla la marca de agua de la generación: No requiere acceso al modelo generativo, lo que lo hace aplicable a cualquier conjunto de datos sintético existente o futuro.
• Equilibra las cuatro propiedades clave: Logra con éxito alta fidelidad, fuerte detectabilidad, amplia aplicabilidad a tipos de datos mixtos y robustez frente a ataques comunes simultáneamente, una combinación no alcanzada por trabajos anteriores.
• Proporciona garantías teóricas: La derivación de límites de distorsión y límites inferiores de robustez ofrece una comprensión principista del comportamiento del método bajo ruido.

Los autores notan modestamente que el método no es incondicionalmente robusto frente a transformaciones arbitrariamente fuertes (por ejemplo, interrupción extrema de rangos) y que la capacidad del espacio de claves es finita y depende de las dimensiones de la tabla. Identifican direcciones futuras como optimizar la estrategia de modificación en el dominio de la frecuencia, integrar privacidad diferencial y adaptar la fuerza de la marca de agua según la importancia de las características.