Tatouage numérique multimodal pour la traçabilité du contenu et l'IA générative

Le tatouage numérique intègre des informations dans des contenus numériques tels que des images, de l'audio ou du texte, imperceptibles pour les humains mais détectables de manière robuste par des algorithmes spécialisés. Cette technologie a des applications importantes dans de nombreux défis de l'industrie tels que la modération de contenu, le traçage de contenu généré par IA et la surveillance de l'utilisation des modèles IA. Les contributions de cette thèse incluent le développement de nouvelles techniques de tatouage numérique pour les images, l'audio et le texte. Nous introduisons d'abord des méthodes pour la modération active des images sur les plateformes sociales. Nous nous concentrons ensuite sur des méthodes dédiées au contenu généré par IA. Nous démontrons spécifiquement des méthodes pour adapter les modèles génératifs latents afin d'incorporer des tatouages numériques dans tout contenu généré, identifier les sections marquées dans la parole, et améliorer le tatouage numérique dans les grands modèles de langage avec des tests qui garantissent un faible taux de faux positifs. De plus, nous explorons l'utilisation du tatouage numérique pour détecter le mésusage de modèle, par la détection de tatouages dans des modèles de langage affinés sur du texte tatoué, et par le tatouage des poids de transformer larges sans aucun entraînement. À travers ces contributions, la thèse offre des solutions efficaces pour les défis posés par l'utilisation croissante des modèles d'IA génératifs et le besoin de surveillance des modèles et de modération de contenu. Elle examine enfin les défis et les limitations des techniques de tatouage numérique, puis discute des orientations futures potentielles pour la recherche dans ce domaine.