PulseAugur
中
实时 05:17:54
English(EN) A Locally Tokenized Generative Model for Robust Time-Series Watermarking

新的AI水印方法提高了时间序列数据的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种用于AI模型生成的时间序列数据的水印新方法，解决了当前技术的一个关键限制。现有的水印方法在后编辑攻击下常常失效，因为它们的检测器依赖于全局重新编码，这会不可预测地改变检测分数。提出的LVQMark解决方案利用了一种名为L-VQVAE的局部标记生成模型，其中每个标记都从一个小的 temporal window 生成。这种局部化方法确保了即使在数据修改后，检测仍然稳定可靠，这一点已在金融、能源和神经影像数据集的实验中得到证明。 AI

影响 增强了AI生成的时间序列数据溯源的可靠性，这对于金融、能源和医疗保健领域的应用至关重要。

排序理由 该集群包含一篇详细介绍AI水印新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的AI水印方法提高了时间序列数据的鲁棒性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Dongbin Kim, Geonwoo Shin, Yujin Choi, Soyeon Park, Jaewook Lee ·

    一种用于鲁棒时间序列水印的局部标记生成模型

    arXiv:2608.19727v1 Announce Type: cross Abstract: Watermarking is a central tool for provenance in generative models, yet its application to multivariate time series remains hindered by reliability failures under post-editing attacks. We show that existing detectors, which rely o…

相关话题