FedOT: Ownership Verification and Leakage Tracing via Watermarks for Federated LDMs
यह शोध पत्र FedOT का प्रस्ताव करता है, जो फेडरेटेड लेटेंट डिफ्यूजन मॉडल्स के लिए एक नवीन ढांचा है जो एक चंक्ड वॉटरमार्किंग योजना और डिकोडर रिप्लेसमेंट के माध्यम से वॉटरमार्क हटाने को रोकने के लिए एक लेटेंट वेक्टर ट्रांसफॉर्मेशन (LVT) तंत्र का उपयोग करके स्वामित्व सत्यापन सुनिश्चित करता है और मॉडल लीकेज को विशिष्ट दुर्भावनापूर्ण क्लाइंट्स तक ट्रेस करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि कलाकारों का एक समूह है (ग्राहक) जो बिना किसी को अपनी निजी स्केचबुक दिखाए, मिलकर एक उत्कृष्ट कृति बनाना चाहता है। वे एक विशेष सहयोगात्मक पद्धति का उपयोग करते हैं जिसे फेडरेटेड लर्निंग (Federated Learning) कहा जाता है, ताकि एक शक्तिशाली AI कलाकार (एक लेटेंट डिफ्यूजन मॉडल) को प्रशिक्षित किया जा सके जो शानदार चित्र बना सके।
हालाँकि, एक समस्या है: एक बार जब समूह प्रशिक्षण पूरा कर लेता है, तो अंतिम "मास्टर रेसिपी" (ग्लोबल मॉडल) सभी के साथ साझा की जाती है। समूह में मौजूद एक चालाक कलाकार इस रेसिपी को चुरा सकता है, इसे किसी अजनबी को बेच सकता है, या बिना अनुमति के इससे पैसा कमा सकता है। समूह को यह साबित करने के तरीके की आवश्यकता है, "यह हमारी रेसिपी है!" और, यदि यह चोरी हो जाती है, तो "इसे किसने चुराया?"
यह शोध पत्र FedOT नामक एक नया सुरक्षा सिस्टम पेश करता है, जिसे विशेष रूप से समूहों में काम करने वाले AI कलाकारों के लिए इन दो समस्याओं को हल करने के लिए डिज़ाइन किया गया है।
दो बड़ी समस्याएँ जिन्हें FedOT हल करता है
1. "किसने चुराया?" का रहस्य
पिछले तरीके यह तो बता सकते थे कि "हाँ, यह चित्र हमारे समूह से आया है," लेकिन वे यह नहीं बता पाते थे कि किस विशिष्ट व्यक्ति ने मॉडल लीक किया है। यह एक चोरी हुई कार को खोजने जैसा था जहाँ आप जानते थे कि वह एक विशिष्ट परिवार की है, लेकिन यह नहीं जानते थे कि किस परिवार के सदस्य ने उसे चुराकर भगाया। FedOT इस समस्या को हल करता है क्योंकि यह एक छिपा हुआ "ID टैग" जोड़ता है जो सीधे विशिष्ट चोर की ओर इशारा करता है।
2. "इंजन बदलने" की चाल
कल्पना कीजिए कि AI मॉडल एक कार है जिसके दो मुख्य भाग हैं: इंजन (वह भाग जो चित्र बनाता है) और ट्रांसमिशन (वह भाग जो इंजन की शक्ति को गति में बदलने के लिए अनुवाद करता है)।
- पुराना तरीका: पिछले सुरक्षा तरीकों ने ट्रांसमिशन पर एक वॉटरमार्क लगाया था। लेकिन एक चोर बस उस वॉटरमार्क वाले ट्रांसमिशन को निकाल सकता है और उसकी जगह कबाड़खाने से लिया गया एक साफ, सामान्य ट्रांसमिशन लगा सकता है। कार अभी भी पूरी तरह से चलेगी, और वॉटरमार्क गायब हो जाएगा।
- FedOT का तरीका: FedOT सड़क के नियमों को बदल देता है। यह ट्रांसमिशन को इस तरह संशोधित करता है कि यह केवल उसी विशिष्ट इंजन के साथ काम करता है जिसे समूह ने प्रशिक्षित किया है। यदि कोई चोर ट्रांसमिशन को एक सामान्य वाले से बदलने की कोशिश करता है, तो कार का इंजन रुक जाएगा, पहिए निकल जाएंगे, और कार धातु के एक बेकार ढेर में बदल जाएगी। चोर मॉडल को चुरा नहीं सकता क्योंकि ऐसा करने से वह उसे बेकार बना देगा।
FedOT कैसे काम करता है (उपमा)
FedOT समूह की रक्षा के लिए दो मुख्य तरकीबों का उपयोग करता है:
1. "स्प्लिट टिकट" (चंक्ड वॉटरमार्क)
सोचिए कि वॉटरमार्क एक लंबे, गुप्त टिकट की तरह है जिसके दो भाग हैं:
- पहला आधा हिस्सा (स्वामित्व): यह भाग समूह के सभी लोगों के लिए एक समान है। यह सवाल का जवाब देता है: "क्या यह मॉडल हमारे समूह से है?"
- दूसरा आधा हिस्सा (ट्रेसिंग): यह हर व्यक्ति के लिए अद्वितीय है। यह सवाल का जवाब देता है: "किस विशिष्ट व्यक्ति ने इसे लीक किया?"
जब कोई संदिग्ध चित्र सामने आता है, तो सिस्टम पहले पहले आधे हिस्से की जाँच करता है। यदि यह समूह से मेल खाता है, तो यह फिर विशिष्ट अपराधी की पहचान करने के लिए दूसरे आधे हिस्से की जाँच करता है। यह प्रक्रिया तेज़ और कुशल बनाता है।
2. "गुप्त भाषा" (लेटेंट वेक्टर ट्रांसफॉर्मेशन)
यही मुख्य नवाचार है।
- सेटअप: समूह शुरू करने से पहले, लीडर (सर्वर) ट्रांसमिशन (VAE) को एक गुप्त, थोड़ी विकृत भाषा सिखाता है। यह ट्रांसमिशन को एक हल्का लहजा या शब्दों को एक अजीब, विशिष्ट तरीके से अनुवादित करना सिखाने जैसा है।
- प्रशिक्षण: इंजन (U-Net) इस नई, विकृत भाषा को पूरी तरह से बोलना सीख जाता है। वे एक-दूसरे के अनुकूल हो जाते हैं।
- जाल: यदि कोई चोर ट्रांसमिशन को एक मानक, "साफ" वाले से बदलने की कोशिश करता है, तो इंजन अब उसे समझ नहीं पाता। इंजन अपनी गुप्त भाषा बोलने की कोशिश करता है, लेकिन नया ट्रांसमिशन उसे बड़बड़ाहट (gibberish) में बदल देता है। परिणाम? चित्र धुंधले, विकृत या पूरी तरह से गलत होते हैं।
शोधकर्ताओं ने इस "विकृत भाषा" को बनाने के तीन तरीकों का परीक्षण किया:
- अनुवाद (Translation): भाषा को थोड़ा बदलना (जैसे भारी लहजे के साथ बोलना)।
- मिरर (Mirror): भाषा को उल्टा कर देना।
- नेगेटिव (Negative): भाषा के रंगों को उलटना (जैसे फोटो नेगेटिव)।
शोधकर्ताओं ने पाया कि "नेगेटिव" दृष्टिकोण सबसे अच्छा था। इसने चित्रों को अच्छा बनाए रखा जबकि ट्रांसमिशन को बदलने के बिना गुणवत्ता को नष्ट करना असंभव बना दिया।
प्रयोगों ने क्या दिखाया
लेखकों ने विभिन्न हमलों के खिलाफ FedOT का परीक्षण किया:
- स्वैप अटैक (Swap Attack): जब चोरों ने वॉटरमार्क वाले हिस्से को साफ हिस्से से बदलने की कोशिश की, तो इमेज क्वालिटी गिर गई। मॉडल बेकार हो गया।
- प्यूरीफिकेशन अटैक (Purification Attack): जब चोरों ने वॉटरमार्क हटाने के लिए साफ डेटा पर मॉडल को फिर से प्रशिक्षित करके मॉडल को "धोने" की कोशिश की, तब भी गुणवत्ता काफी कम हो गई।
- ट्रेस (Trace): इन हमलों के बावजूद, यदि मॉडल जीवित रहता है, तो FedOT अभी भी उच्च सटीकता के साथ समूह और विशिष्ट चोर की पहचान कर सकता है।
निष्कर्ष
FedOT पहला ऐसा सिस्टम है जो न केवल स्वामित्व सिद्ध कर सकता है बल्कि समूह के प्रोजेक्ट में विशिष्ट चोर को पकड़ भी सकता है। यह AI के हिस्सों को एक-दूसरे के साथ इतनी मजबूती से बांध देता है कि यदि कोई हिस्सा बदलकर मॉडल चुराने की कोशिश करता है, तो पूरा मॉडल टूट जाता है। यह मॉडल की चोरी को चोर के लिए एक "हार-हार" (lose-lose) की स्थिति में बदल देता है: या तो वे पकड़े जाते हैं, या उनके पास एक टूटा हुआ, बेकार मॉडल होता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।