مع التطور الكبير في نماذج الانجذاب (Diffusion Models)، أصبح تحويل النص إلى صورة (Text-to-Image) من التقنيات الرائدة التي تجمع بين الإبداع والتكنولوجيا. ورغم هذه الميزات، فإن قدرات هذه النماذج على التخصيص أثارت قلقًا كبيرًا بشأن الخصوصية وحقوق الملكية. حيث يمكن للجهات الخبيثة استغلال هذه النماذج لإنشاء صور غير مصرح بها أو تكرار أنماط فنية دون إذن.

تعتمد الدفاعات الحالية إلى حد كبير على تطبيق تغييرات موجهة على الصور المرجعية لتعطيل التدريب. ومع ذلك، تواجه هذه الطرق بعض العقبات، حيث تفترض أن جميع الصور المستخدمة للتدريب قد تم تعديلها مسبقًا، مما يجعلها عرضة للفشل عندما تتضمن بيانات غير معدلة أو تمر بتغييرات طفيفة.

وفي هذا السياق، يقدم الباحثون PersGuard كإطار مبتكر يستند إلى تقنية "الباب الخلفي" (Backdoor) يهدف إلى منع التخصيص غير المصرح به لنماذج تحول النص إلى صورة المدربة مسبقًا. على عكس الطرق المعتمدة على التغييرات، يفترض PersGuard أن الحماة يمكنهم تضمين أبواب خلفية واقية في النماذج قبل إصدارها. وهذا يضمن أنه إذا قام المستخدم بإعادة تدريب النموذج على صور محمية، فإن النموذج يحتفظ بهذه الأبواب ويولد مخرجات واقية مسبقة؛ أما في حالة الصور غير المحمية، فإن الباب الخلفي يتم إزالته بشكل فعال خلال إعادة التدريب لضمان كفاءة النموذج الطبيعية.

تعتمد الآلية على صياغة مشكلة حقن الباب الخلفي كمشكلة تحسين موحدة تشمل ثلاثة أهداف: خسارة سلوك الباب الخلفي لتفعيل الحماية، خسارة الحفاظ على النمط لضمان القدرة على التوليد بشكل قياسي، وخسارة احتفاظ الباب الخلفي. تُصمم خسارة الاحتفاظ بشكل خاص لتعكس خسارة التخصيص، مما يضمن أن يبقى الباب الخلفي قويًا خلال عملية إعادة التدريب.

أظهرت التجارب الواسعة عبر إعدادات مختلفة أن PersGuard يوفر حماية متفوقة للخصوصية مقارنة بالطرق المعتمدة على التغييرات. هذا يفتح آفاقًا جديدة لتطوير نماذج ذكاء اصطناعي أكثر أمانًا تحترم حقوق الأفراد وتضمن خصوصيتهم

ما رأيكم في هذه التقنية الجديدة؟ هل ترى أنها ستحدث ثورة في أمان البيانات؟ شاركونا أفكاركم في التعليقات!