ICAS：用于自回归图像生成模型的数据检测方法

自回归图像生成在快速发展，标志性模型如按规模的视觉自回归推动了视觉合成的边界。然而，这些发展也引发了数据隐私和版权的重大关切。作为回应，训练数据检测作为识别模型训练中未授权数据使用的关键任务。为更好理解自回归图像生成模型对此类检测的脆弱性，我们首次将成员推断应用于该领域。我们的ethods 由两个关键组件构成：隐式分类和自适应得分聚合策略。首先，我们计算查询图像中基于标记的隐式分类得分。然后，我们提出一种自适应得分聚合策略以获得最终得分，该策略对得分较低的标记赋予更大权重。更高的最终得分表明该样本更可能包含在训练集中。为验证方法有效性，我们将原为大语言模型设计的检测算法 adapted 到视觉自回归模型。大量实验表明，我们方法在类别条件和文本到图像场景中均优于现有方法。此外，我们的方法在各种数据变换下表现出强大的鲁棒性和泛化能力。进一步的实验表明，两个新发现：（1）成员推断存在线性规模定律，揭示了大型基础模型的脆弱性。（2）按规模的视觉自回归模型的训练数据比其他自回归范式更易被检测。我们的代码已公开：https://github.com/Chrisqcwx/ImageAR-MIA。