arXiv · 学习目标与优化· Huajie Chen; Xin Guo; Yuchen Shi; Yuchen Zhong; Minhui Xue; Chi Liu; Congcong Zhu; Kun Gao; Minfeng Qi; Tianqing Zhu·· 3 天前精选AI 评分73
MARCO:面向蛋白质生成模型的放射性水印
MARCO: The Radioactive Watermark for Protein Generative Models
AI 导读
基于摘要分析。MARCO(COnformation waterMARk)针对蛋白质生成模型(PGMs)的未授权模型提取与潜在生物安全滥用,提出兼顾知识产权保护和滥用取证追踪的双层水印框架。其核心贡献是在生成过程中嵌入构象水印,并使水印随生成数据传播至使用这些数据训练的仿冒模型;这里的“放射性”指水印的迁移性质,而非物理放射性。 机制上,MARCO通过辅助编码器—解码器,在扩散模型的反向去噪过程中迭代嵌入水印,保持原PGM参数冻结。为兼顾生物物理保真度与水印鲁棒性,方法采用针对Cα原子成对距离及扭转角(ψ、φ)的专门损失,并将随机攻击模拟纳入对抗训练。摘要未给出损失具体形式、辅助模块结构、水印检测流程及计算开销,相关实现条件尚未验证。 作者报告,实验显示MARCO具有较好的保真度与鲁棒性,并验证了水印向仿冒模型输出迁移的有效性。但摘要未提供数据集、模型范围、攻击设置、对照基线、指标或数值,因而无法量化其优势,也不能将作者对迁移能力的描述推广为对任意仿冒模型均有效。需结合全文核对不同提取与再训练条件下的迁移效果、水印误检率,以及结构保真度能否充分反映蛋白质功能保真度;实验协议、消融及统计信息尚未验证。 该工作研究的是蛋白质生成模型,并非EEG或BCI方法。其构象约束依赖蛋白质几何结构,不能直接视为神经信号水印方案;相关EEG工作尚未检索确认。
阅读价值
值得核对的是在冻结原模型参数的条件下嵌入构象水印,以及水印能否经由输出数据迁移到仿冒模型;作者报告了迁移有效性,但其适用范围与攻击条件尚未验证。
来源:arXiv · 学习目标与优化 · arxiv.org