Attacks on Approximate Caches in Text-to-Image Diffusion Models
Notice bibliographique
Résumé
The code artifact of Attacks on Approximate Caches in Text-to-Image Diffusion Models in Usenix Sec'26 Cycle 1. Three Attacks: Convert Channel Prompt Stealing Poison Attack The embedding-2-prompt reversion model used in the experiment, named "coco_prefix-049.pt", is uploaded to `https://doi.org/10.5281/zenodo.17957900`, trained by using diffutiondb dataset. You can also train your new one by using the training scripts provided in this repo. The logo insertion at embedding space model used in this experiment is "poison_attack/poison_emb/sampled_db/clip_phrase_model.pt", trained by self-constructed dataset. The dataset construction code is in "poison_attack/poison_emb/convert_data_format.py", and the training script is "poison_attack/poison_emb/logo_insertion_model.py". You can train your new model by using the training scripts. The embedding to prompt with logo model used in this experiment is "coco-prefix_latest.pt", also uploaded to `https://doi.org/10.5281/zenodo.17957900`. The training script is "poison_attack/poison_emb/recover_prompt_with_logo_model.py", you can train your own model with this script.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».