Proof-of-Authorship for Diffusion-based AI Generated Content

Resumo Técnico: Prova de Autoria para Conteúdo Gerado por IA

1. O Problema

Com o avanço rápido de modelos de difusão latente (LDMs) como o Stable Diffusion, DALL-E e Midjourney, surgiram desafios críticos na proteção de propriedade intelectual e na autenticação de objetos gerados por IA.

• Limitações das Abordagens Atuais:
  • Carimbo de Tempo (Timestamping): Qualquer entidade pode carimbar um objeto existente, não provando que o criou, apenas que foi a primeira a reivindicá-lo publicamente.
  • Marcas d'Água (Watermarking): Métodos tradicionais (baseados em pixels ou latentes) dependem de segredos. Eles são vulneráveis a ataques de ambiguidade (onde um adversário forja uma marca d'água que também existe no objeto) e a ataques de remoção. Além disso, a verificação muitas vezes exige computação intensiva (ex: provas de conhecimento zero).
• A Necessidade: É necessário um mecanismo que prove que apenas o criador original, que controlou o processo de geração, possa reivindicar a autoria, sem depender de segredos ocultos que possam ser roubados ou removidos.

2. Metodologia Proposta: Framework de Prova de Autoria (POA)

Os autores propõem um framework leve que não utiliza segredos, mas sim o semente (seed) de geração, que é um parâmetro controlável pelo autor.

• Conceito Central: Diferente da "prova de propriedade" (que pode ser reivindicada por qualquer um sobre um objeto existente), a "prova de autoria" garante que apenas o criador que gerou o objeto com parâmetros específicos pode reivindicá-lo.
• Mecanismo de Ligação Criptográfica:
  1. Entrada: O autor possui sua identidade ($i$), o prompt ($e$), parâmetros do modelo ($m$) e uma sequência de bits aleatórios ($r$).
  2. Geração da Semente: Em vez de escolher uma semente aleatória livremente, o autor calcula a semente determinística usando uma Função Pseudorrandômica Criptograficamente Segura (PRF), como HMAC-SHA3.
     • Fórmula: $s = G(f_i(\langle m, e, r \rangle))$, onde $f_i$ é a PRF ligada à identidade do autor e $G$ é o amostrador do espaço latente.
  3. Geração: A semente $s$ é usada para inicializar o processo de difusão, gerando a imagem final.
• Verificação (Fase de Contenção):
  • Quando um autor reivindica a autoria de uma imagem contestada $I$, ele fornece seus parâmetros de geração ($\kappa = \langle m, e, r \rangle$) e sua identidade.
  • Um Adjudicador Probabilístico (PA) regenera a imagem original $J$ usando os parâmetros fornecidos.
  • O PA calcula a similaridade entre $J$ e a imagem contestada $I$ (no espaço latente, para robustez).
  • O PA realiza um teste estatístico para calcular a probabilidade ($q$) de que um "forjador aleatório" (que não conhece a semente correta) pudesse gerar uma imagem com tal nível de similaridade.
  • Se $q$ for extremamente baixo (ex: $2^{-50}$), o Juiz aceita a autoria.

3. Assunções de Segurança

O framework baseia-se em duas premissas fundamentais:

1. Dureza da PRF (Assunção A1): A função pseudorrandômica é segura. Um adversário não consegue inverter a função ou prever a semente sem a chave (identidade), tornando sua estratégia equivalente a um chute aleatório.
2. Propriedades Estatísticas do LDM (Assunção A2): A distribuição de similaridade entre objetos gerados a partir de sementes aleatórias distintas segue uma distribuição sub-exponencial. Isso permite estimar a probabilidade de eventos raros (alta similaridade acidental) com um número pequeno de amostras, em vez de exigir amostragem exaustiva.

4. Principais Contribuições

1. Framework sem Segredos: Propõe um método de prova de autoria que não exige que o autor mantenha segredos ocultos. Todos os parâmetros de geração podem ser públicos.
2. Garantia de Autoria vs. Propriedade: Diferencia-se de métodos anteriores ao provar que o objeto foi gerado pelo autor, e não apenas que ele o possui ou registrou primeiro.
3. Análise de Segurança Teórica:
   • Demonstra que nenhum adversário em tempo polinomial pode superar o sorteio aleatório na tentativa de forjar uma reivindicação (devido à Assunção A1).
   • Prova que o teste estatístico proposto é optimal (uniformemente mais poderoso) para distinguir entre objetos gerados pelo autor e objetos aleatórios.
4. Eficiência Estatística: Mostra que, sob a Assunção A2, é necessário um número muito pequeno de amostras (polilogarítmico) para verificar a validade de uma reivindicação com alta confiança, comparado à amostragem ingênua (exponencial).

5. Resultados Experimentais

Os autores avaliaram o framework usando o Stable Diffusion 2.1 (SD2.1):

• Validação da Distribuição: Confirmaram empiricamente que a similaridade entre imagens geradas por sementes aleatórias segue uma distribuição sub-exponencial (aproximada por uma distribuição normal generalizada), validando a Assunção A2.
• Robustez: O sistema manteve alta precisão (100% de acerto na verificação de autoria legítima) mesmo sob distorções significativas, incluindo:
  • Ruído Gaussiano.
  • Compressão JPEG (até qualidade 10).
  • Transformações afins (rotação, escala, translação, cisalhamento).
• Segurança: Para uma probabilidade alvo de sucesso de um forjador aleatório de $2^{-50}$, a taxa de falsos positivos (imagens aleatórias que passam no teste) foi de 0,00 em todos os cenários testados. A probabilidade de um forjador bem-sucedido permanecer abaixo de $2^{-50}$.

6. Significado e Impacto

• Mudança de Paradigma: Este trabalho move a autenticação de IA de "marcas d'água ocultas" (que podem ser removidas ou geram artefatos visíveis) para uma prova criptográfica baseada no processo de geração.
• Transparência: Como não há segredos, a verificação pode ser pública e transparente, eliminando a necessidade de autoridades de confiança ou sistemas complexos de prova de conhecimento zero.
• Resistência a Ataques: O método é inerentemente resistente a ataques de remoção, pois a "assinatura" não é uma marca inserida na imagem, mas sim a própria semente matemática usada para criá-la. Mesmo que a imagem seja alterada, a probabilidade de outra pessoa gerar uma imagem similar sem a semente correta é estatisticamente insignificante.
• Aplicabilidade: Oferece uma solução prática para disputas de direitos autorais em conteúdo gerado por IA, permitindo que criadores provem sua autoria de forma matematicamente verificável.

Em resumo, o paper apresenta uma solução elegante e robusta que utiliza as propriedades intrínsecas dos modelos de difusão e a criptografia moderna para resolver o problema de atribuição de autoria no cenário de IA generativa, superando as limitações das técnicas tradicionais de marca d'água.