GUISE：图谱高斯阴影水印
机器学习
2024-10-15 v1 多媒体
摘要
在生成式人工智能的不断扩张领域，集成稳健的水印技术对于保护知识产权和维护内容真实性至关重要。传统水印技术主要为丰富的信息媒体（如图像和音频）开发，但这些方法尚未充分适用于基于图的数据，特别是分子图。潜在3D图扩散(LDM-3DG)是分子图生成领域的一种新兴方法。该模型有效地管理了分子结构的复杂性，保留了关键对称性和拓扑特征。我们将已证实的无损水印技术高斯阴影适配到潜在图扩散领域，以保护这一新兴技术。我们的适配通过复制和填充简化了水印扩散过程，使其具有可适应性和适用于各种消息类型的特性。我们使用在公开数据集QM9和Drugs上训练的LDM-3DG模型进行多项实验，以评估该技术的鲁棒性和有效性。我们的结果表明，水印分子在9个10个性能指标上与原始数据集保持统计等价性。此外，它们在二维解码管道中实现100%的检测率和99%的提取率，同时对后期编辑攻击表现出良好的鲁棒性。
引用
@article{arxiv.2410.10178,
title = {GUISE: Graph GaUssIan Shading watErmark},
author = {Renyi Yang},
journal= {arXiv preprint arXiv:2410.10178},
year = {2024}
}