AGATE: Stealthy Black-box Watermarking for Multimodal Model Copyright Protection
Beijing Institute of Technology(北京理工大学);School of Information Engineering, Minzu University of China(民族大学信息工程学院);University of Adelaide(阿德莱德大学)
本文提出模型无关的黑盒后门水印框架AGATE,通过对抗触发器生成和后变换模块解决多模态模型版权保护中的隐蔽性和鲁棒性挑战,在五个数据集上优于现有方法。
2025-04-28 cs.AI cs.CR
VA3: Virtually Assured Amplification Attack on Probabilistic Copyright Protection for Text-to-Image Generative Models
National University of Singapore(新加坡国立大学)
本文提出在线攻击框架 VA3,通过持续交互放大文本到图像模型生成侵权内容的概率,揭示概率性版权保护机制的安全漏洞。
2024-04-02 cs.AI cs.CR cs.CV
Digital Data Security and Copyright Protection Using Cellular Automata
许多挑战的出现和通信手段以及计算机网络和互联网的迅速发展。数字信息革命对人类社会产生了巨大的影响。今天的数据已经可以以数字格式(文本、图像、音频和视频)获得,这导致了许多创造性创新机会的出现,也带来了一种新的挑战
2013-06-29 cs.CR
DataCook: Exploring Anti-Adversarial Fingerprints for Healthcare Data Usage Control
Swiss Federal Institute of Technology Lausanne (EPFL)(瑞士洛桑联邦理工学院)
本文提出DataCook方法,通过在数据分发前构建反对抗样本(AntiAdv)增强模型置信度,使未经授权的测试数据无法被有效分析,从而在部署阶段保护医疗数据版权,同时确保合法场景下的模型准确性与数据有效性。
2026-11-13 cs.AI cs.CR cs.CV
Strong Copyright Protection for Language Models via Adaptive Model Fusion
ETH Zurich(苏黎世联邦理工学院);University of Oxford(牛津大学)
本文提出版权保护融合算法(CP-Fuse),通过自适应结合语言模型并引入平衡特性来防止训练数据复制,在保持高质量文本和代码生成的同时显著降低对版权内容的记忆,并支持与其他技术集成以增强保护。
2024-07-29 cs.CR cs.LG
Turn Passive to Active: A Survey on Active Intellectual Property Protection of Deep Learning Models
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Griffith University(格里菲斯大学)
本综述系统阐述主动DNN版权保护的内涵、属性与需求,提供评价方法与指标,回顾现有工作,分析潜在攻击,并展望挑战与未来方向,为该新领域奠定基础。
2023-10-15 cs.CR cs.CV
Reversible Unlearnable Examples: Towards the Copyright Protection in Deep Learning Era
Macau University of Science and Technology(澳门科技大学);FoShan University(佛山大学);Macao Polytechnic University(澳门理工大学)
针对深度学习版权保护面临的非法模型训练与数据泄露威胁,该文提出一种可逆不可学习样本机制,通过生成诱导模型学习无关特征的扰动与双水印提取策略,在三类数据集上实现全面版权保护。
2026-08-07 cs.CR cs.CV
CoTGuard: Using Chain-of-Thought Triggering for Copyright Protection in Multi-Agent LLM Systems
University of Maryland, College Park(马里兰大学学院公园分校)
CoTGuard通过思维链触发检测多智能体系统中的版权内容泄漏,实现细粒度监控且对任务性能干扰最小。
2025-05-26 cs.CL cs.CR
©Plug-in Authorization for Human Content Copyright Protection in Text-to-Image Model
University of Science and Technology of China(中国科学技术大学);Peking University(北京大学);Microsoft Research(微软研究院)
本文针对文本到图像模型版权侵权问题,提出©Plug-in Authorization框架,通过添加、提取和组合三种操作实现版权保护,并引入Reverse LoRA和EasyMerge方法,实验证明其有效保护创作者权益。
2025-01-30 cs.AI cs.CR cs.CV
Image Watermaking With Biometric Data For Copyright Protection
在本文中,我们处理的所有权或合法使用的数字内容,如图像的证明,以解决非法复制。该方案结合了水印技术和可撤销生物特征识别技术,不需要可信第三方,所有的信息交换都在提供者和客户之间进行。使用可取消的生物测定允许提供符合隐私的身份证明。我们说明了这种方法对故意和无意的攻击的水印内容的鲁棒性。
2015-03-16 cs.CR cs.MM
Adversarial Example Based Fingerprinting for Robust Copyright Protection in Split Learning
针对Split Learning模型缺乏版权保护框架的问题,提出首个利用对抗样本生成指纹并嵌入模型的版权保护方案,在保持模型准确率的同时实现了高指纹验证成功率并抵御标签推断攻击。
2025-03-05 cs.CR
CPR: Retrieval Augmented Generation for Copyright Protection
AWS AI Labs(亚马逊人工智能实验室)
本文提出CPR方法,通过在推理时混合公共与私有分布的扩散分数,在检索增强图像生成中实现强版权保护,并证明其满足近访问自由性,在提升生成质量的同时支持信用归属和高效遗忘。
2024-03-27 cs.AI cs.CR cs.CV
Copyright Protection and Accountability of Generative AI:Attack, Watermarking and Attribution
University of New South Wales(新南威尔士大学);The Australian National University(澳大利亚国立大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61研究所)
生成式人工智能(例如,生成对抗网络(Generative Adversarial Networks,简称GANs)近年来越来越受欢迎。然而,生成式人工智能引入了对知识产权(IPR)保护的重大关切(分别为:模型责任)有关的图像(分别有毒图像)和模型(分别中毒模型)生成。在本文中,我们提出了一个评估框架,以全面概述GANs的版权保护措施的现状,评估它们在各种GAN架构中的性能,并确定影响其性能的因素和未来的研究方向。我们的研究结果表明,目前的输入图像,模型水印和属性网络的知识产权保护方法在很大程度上是令人满意的广泛的GANs。我们强调,必须进一步关注保护训练集,因为目前的方法无法提供强大的知识产权保护和对训练集的出处追踪。
2023-03-15 cs.CR cs.LG cs.MM
Copyright Protection in Generative AI: A Technical Perspective
Michigan State University(密歇根州立大学);School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);International Center of Future Science, Jilin University(吉林大学未来科学国际中心);Stanford University(斯坦福大学);Sony AI(索尼人工智能);Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE(教育部知识驱动人机智能工程研究中心)
本文从技术视角全面概述生成式AI中的版权保护问题,分别探讨了数据所有者的源数据版权和模型构建者的生成模型版权,涵盖内容保护、模型防盗及输出识别等方法,并指出现有局限与未来方向。
2024-07-24 cs.CR cs.CV cs.LG
Copyright Protection for Large Language Models: A Survey of Methods, Challenges, and Trends
Zhejiang University(浙江大学);Binjiang Institute of Zhejiang University(浙江大学滨江研究院)
本文综述了大型语言模型版权保护现状,重点探讨了模型指纹技术,涵盖文本水印与模型水印的关联、多种文本水印技术对比、模型指纹分类、指纹转移与去除技术及评估指标,揭示了开放挑战与未来研究方向。
2026-04-07 cs.CR
SpikeTimer: Exploring Active Copyright Protection in Spiking Neural Networks via Temporal Backdoor Regularization
School of Computer Science and Shanghai Key Laboratory of Integrated Administration Technologies for Information Security, Shanghai Jiao Tong University(上海交通大学计算机科学与上海信息安全综合管理技术重点实验室);School of Computer Science and Engineering, Jinan University(暨南大学计算机科学与工程学院)
提出SpikeTimer框架,利用时间后门学习将授权令牌嵌入特定时间片,实现脉冲神经网络版权保护,在授权数据上仅损失1.5%精度,非授权数据精度降至约10%。
2026-06-26 cs.CR
Bypassing Copyright Protection in Diffusion-based Customization via Two-Stage Latent Feature Optimization
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
提出两阶段潜在特征优化(TS-LFO)攻击方法,通过潜在去噪和重建阶段恢复被防御破坏的映射,有效绕过扩散模型定制中的版权保护。
2026-06-06 cs.AI cs.CR cs.CV
RegionMarker: A Region-Triggered Semantic Watermarking Framework for Embedding-as-a-Service Copyright Protection
针对嵌入即服务(EaaS)易遭模型提取攻击、现有水印方法防护不全面的问题,提出区域触发语义水印框架RegionMarker,可抵御多类攻击,实现EaaS版权保护。
2025-11-17 cs.CL cs.CR
Copy, Right? A Testing Framework for Copyright Protection of Deep Learning Models
深度学习(DL)模型,特别是那些大规模和高性能的模型,训练的成本非常高,需要大量的数据和计算资源。未经授权复制DL模型会导致版权侵权,给模型所有者造成巨大的经济损失。现有的版权保护技术大多是基于水印的,它是在模型中嵌入一个所有者指定的水印。虽然能够提供精确的所有权验证,但这些技术是1)侵入性的,因为它们需要篡改训练过程,这可能影响效用或引入新的安全风险; 2)易于尝试移除水印的自适应攻击;以及3)对新兴的模型窃取攻击不鲁棒。最新的指纹识别工作虽然是非侵入性的,但在面对多样化和不断增长的攻击场景时也存在不足。在本文中,我们提出了一个新的测试框架DL版权保护:深度判断。DEEPJUDGE定量测试了两个DL模型之间的相似性:受害者模型和嫌疑人模型。它利用一组不同的测试指标和测试用例生成方法来生成一系列支持证据,以帮助确定可疑模型是否是受害者模型的副本。DEEPJUDGE的优势包括:1)非侵入性,因为它直接作用于模型,不会篡改训练过程; 2)高效,因为它只需要一小部分测试用例和快速扫描模型; 3)灵活,因为它可以很容易地结合新的度量或生成方法,以获得更自信的判断; 4)对模型提取和自适应攻击相当鲁棒。我们通过在具有各种模型架构的图像和语音数据集上进行广泛的实验,验证了DEEPJUDGE在典型版权侵权场景下的有效性,包括模型微调、修剪和提取。
2021-12-10 cs.CR
Robust Image Watermarking in the Wavelet Domain for Copyright Protection
本文提出了一种新的小波域图像水印算法。其思想是将水印数据隐藏在块分割图像的块中。基于这一思想,提出了两种将水印信息嵌入到每个块的低通小波系数中的方案。由于所提出的方法的低计算复杂性,该算法可以实现在实时的。实验结果表明,该方法具有较好的不可感知性,对滤波、JPEG压缩、剪切、加噪和几何失真等攻击具有较强的鲁棒性。
2010-01-04 cs.CR cs.IT math.IT
An Approach of Digital Image Copyright Protection by Using Watermarking Technology
数字水印系统是保护有价值的资源和信息的重要手段。数字水印一般是人眼和人耳感觉不到的。数字水印可用于视频、音频和数字图像中,用于各种各样的应用,例如版权管理、认证和过滤互联网内容。所提出的系统能够保护诸如音频、图像、视频或文本的数字媒体的版权或所有者标识。该系统利用密钥对水印进行置乱,并将置乱后的水印嵌入到原始图像的小波系数中。该密钥是随机生成的,用于选择置换水印在小波域中的嵌入位置。最后,结合密码学的概念和数字水印技术,实现了一个更加安全的数字水印系统。
2012-05-28 cs.CR
Multi-Agent Framework for Controllable and Protected Generative Content Creation: Addressing Copyright and Provenance in AI-Generated Media
National University of Sciences(国家科学与技术大学);Rensselaer Polytechnic Institute New York, United States(新泽西理工学院纽约分校)
本文提出一种多智能体框架,通过集成水印和智能体角色解决生成内容的可控性和版权问题,提升语义对齐和水印恢复率。
2026-01-09 cs.AI cs.CR
Blind Robust 3-D Mesh Watermarking based on Mesh Saliency and QIM quantization for Copyright Protection
由于最近的需求的3-D模型在几个应用程序,如医学成像,视频游戏等,实现3-D网格水印方案,旨在保护版权的必要性已经大大增加。大多数鲁棒三维水印技术本质上都集中在对攻击的鲁棒性上,而这些技术的不可感知性仍然是一个现实问题。在此背景下,提出了一种基于网格显著性和量化指数调制(QIM)的版权保护盲鲁棒三维网格水印方法。水印嵌入通过量化的顶点范数的3-D网格使用QIM计划,因为它提供了一个很好的鲁棒性容量折衷。顶点的选择由网格显著性调整,以实现水印鲁棒性并避免视觉失真。实验结果表明,该方案具有较高的不可感知性,同时确保了良好的鲁棒性,对广泛的攻击,包括加性噪声,相似性变换,平滑,量化等。
2019-10-28 cs.CR cs.MM
Model Copyright Protection in Buyer-seller Environment
School of Computer Science, Fudan University(复旦大学计算机科学学院)
针对不可信买卖环境中的 DNN 泄露风险,本文提出基于输入敏感神经网络 ISNN 的版权保护方案,通过密钥、扰动标记和专用损失函数限制模型仅对合法输入可用,实验验证其有效性与安全性。
2023-12-05 cs.CR cs.LG
Geometry-Aware Localized Watermarking for Copyright Protection in Embedding-as-a-Service
School of Computer Science;Engineering, Sun Yat-sen University Guangzhou China;Engineering, Sun Yat-sen University
本文提出GeoMark框架,通过几何感知的局部水印技术,在嵌入即服务中实现鲁棒的版权保护,实验表明其在对抗攻击下保持了高验证稳定性和低误报率。
2026-08-05 cs.CL cs.CR
From Compression to Accountability: Harmless Copyright Protection for Dataset Distillation
Sichuan University(四川大学);Nanyang Technological University(南洋理工大学);Agency for Science, Technology and Research (A*STAR)(科学技术研究局)
本文提出SubPopMark框架,通过在数据集蒸馏过程中引入子群体偏置和用户特定扰动,实现无害的版权保护,同时构建参考行为库以辅助黑盒验证。
2026-05-15 cs.CR
A Robust Blind 3-D Mesh Watermarking technique based on SCS quantization and mesh Saliency for Copyright Protection
由于最近在诸如视频游戏、医学成像、电影特效制作、计算机辅助设计(CAD)等广泛应用中对3-D网格的需求,在过去十年中,实现旨在保护版权的3-D网格水印方案的必要性已经增加。目前,大多数的鲁棒三维水印技术主要集中在对攻击的鲁棒性上,而这些技术的不可见性仍然是一个严峻的挑战。在此背景下,提出了一种基于网格显著性和标量Costa方案(SCS)的版权保护盲鲁棒三维网格水印方法。水印的嵌入是通过量化的顶点范数的三维网格SCS方案使用顶点法线范数作为同步原语。这些顶点的选择是基于3-D网格的显着性,以实现水印的鲁棒性,同时确保高不可感知性。实验结果表明,与其他方法相比,该方法具有较高的不可感知性,同时对相似变换、加噪、量化、平滑、元素重排等常见攻击具有较好的鲁棒性。
2019-10-24 cs.CR cs.GR
Robust Membership Encoding: Inference Attacks and Copyright Protection for Deep Learning
Cornell University(康奈尔大学);National University of Singapore(新加坡国立大学)
机器学习即服务(MLaaS)和算法市场正在崛起。数据持有者可以使用第三方提供的学习代码轻松地在其数据上训练复杂模型。训练准确的机器学习模型需要大量的标记数据和先进的学习算法。由此产生的模型被视为模型所有者的知识产权,其版权应受到保护。此外,MLaaS需要被信任不会将关于训练数据的秘密信息嵌入到模型中,以便稍后在部署模型时可以检索该信息。在本文中,我们提出了\emph{membership encoding},用于训练深度神经网络,并对训练数据的子集的成员信息进行编码,即数据点是否用于训练。隶属度编码在不同的应用场景中有多种应用,包括用于模型版权保护的鲁棒水印,以及用于隐藏数据嵌入隐私攻击的风险分析。我们的编码算法可以确定显着编辑的数据点的成员,也是强大的模型压缩和微调。它还可以对训练集的很大一部分进行编码,而模型的预测准确性下降可以忽略不计。
2020-03-22 cs.CR cs.LG stat.ML
PromptCARE: Prompt Copyright Protection by Watermark Injection and Verification
提出首个提示词版权保护框架PromptCARE,通过定制的水印注入与验证方案克服现有技术局限,在多个基准和模型上验证了其有效、无害、鲁棒且隐蔽。
2023-11-28 cs.CR cs.MM
Lossless Copyright Protection via Intrinsic Model Fingerprinting
TrajPrint通过提取确定性生成过程中的独特流形指纹,实现无损模型版权验证,具备高鲁棒性和黑盒API兼容性。
2026-01-29 cs.CR cs.CV
GoodDiffusion: Proactive Copyright Protection for Diffusion Bridge Models via Learnable Sample-specific Signatures
School of Computer Science and Technology, University of Chinese Academy of Sciences(中国科学院大学计算机科学与技术学院);State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所人工智能安全全国重点实验室);Beijing Academy of Artificial Intelligence (BAAI)(北京智源人工智能研究院)
针对扩散桥模型未经授权使用的问题,提出GoodDiffusion方法,通过后门机制将授权内化到生成过程,并引入可学习签名网络实现样本特定签名,有效阻止未授权生成,同时保证授权用户的高质量生成。
2026-06-29 cs.CR
SentinelRAG: Synthetic Sentinel Knowledge for RAG Database Copyright Protection
The Hong Kong University of Science and Technology(香港科技大学);University of Science and Technology of China(中国科学技术大学)
提出SentinelRAG水印框架,通过注入风格一致但虚构的知识条目保护RAG数据库版权,在0.1%注入率下实现统计显著检测(p<10^{-5}),并显著降低误检率。
2026-06-04 cs.CR
From Essence to Defense: Adaptive Semantic-aware Watermarking for Embedding-as-a-Service Copyright Protection
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院)
SemMark是一种基于语义的嵌入即服务版权保护水印技术,通过语义感知水印和自适应权重机制提升防护效果。
2025-12-18 cs.CL cs.CR
The Stronger the Diffusion Model, the Easier the Backdoor: Data Poisoning to Induce Copyright Breaches Without Adjusting Finetuning Pipeline
School of Computing, National University of Singapore(新加坡国立大学计算机学院)
本研究提出后门攻击方法SilentBadDiffusion,通过数据投毒诱发扩散模型版权侵权,无需控制训练流程,且模型越强攻击越易成功。
2024-05-26 cs.AI cs.CR
DiffusionShield: A Watermark for Copyright Protection against Generative Diffusion Models
Michigan State University(密歇根州立大学);Lehigh University(里海大学)
本文提出 DiffusionShield 水印方案,通过可被扩散模型学习并复现的不可感知水印追踪生成图像侵权,实现低失真、高检测率和长消息嵌入。
2024-05-10 cs.CR cs.CV cs.LG
WATER-GS: Toward Copyright Protection for 3D Gaussian Splatting via Universal Watermarking
本文提出 WATER-GS,利用预训练水印解码器、3DGS 生成模块和三维失真层为 3DGS 嵌入不可感知且鲁棒的通用水印,并验证其可保持渲染质量、适配多种变体。
2024-12-07 cs.CR
Beyond Dataset Watermarking: Model-Level Copyright Protection for Code Summarization Models
针对代码摘要模型版权保护中数据集水印泛化差、隐蔽性弱的问题,本文提出模型级水印方法 ModMark,通过微调分词器实现跨语言泛化,并利用代码噪声注入防止触发器检测,在多种编程语言上达到 100% 验证率。
2025-02-08 cs.CR cs.CY
Untargeted Backdoor Watermark: Towards Harmless and Stealthy Dataset Copyright Protection
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tencent Security Zhuque Lab(腾讯安全朱雀实验室);Tencent Security Platform Department(腾讯安全平台部);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对现有针对性后门水印在数据集所有权验证中引入的安全风险,提出了一种无害且隐蔽的无目标后门水印方案,通过引入两种离散性并在中毒标签和干净标签设置下设计水印,实验证明其有效且能抵抗现有后门防御。
2023-04-05 cs.AI cs.CR cs.CV
WARDEN: Multi-Directional Backdoor Watermarks for Embedding-as-a-Service Copyright Protection
School of Computing and Information System, the University of Melbourne(墨尔本大学计算与信息系统学院);School of Computing, FSE, Macquarie University(麦考瑞大学计算学院)
本文针对嵌入即服务版权保护问题,提出多方向后门水印防御方法 WARDEN,以应对能移除 EmbMarker 水印的 CSE 攻击,并实验验证其隐蔽性与有效性。
2024-06-09 cs.CL cs.CR cs.LG
Protect the Intellectual Property of Dataset against Unauthorized Use
本文提出一种新颖方法,通过主动保护机制防止数据集被未经授权用于训练深度神经网络模型,实验证明其能使未授权模型在CIFAR-10和TinyImageNet数据集上的测试准确率大幅下降。
2021-09-16 cs.CR
Towards Copyright Protection for Knowledge Bases of Retrieval-augmented Language Models via Reasoning
University of Maryland(马里兰大学);Nanyang Technological University(南洋理工大学)
针对RAG知识库版权保护,提出基于推理的“无害”水印方法,通过思维链植入良性验证行为,不改变最终输出,并利用Wilcoxon检验验证所有权,实验证明有效且抗自适应攻击。
2025-05-23 cs.AI cs.CL cs.CR
Domain Watermark: Effective and Harmless Dataset Copyright Protection is Closed at Hand
University of Maryland(马里兰大学);ZJU-Hangzhou Global Scientific and Technological Innovation Center(浙江大学杭州国际科创中心);Zhejiang University(浙江大学);Northwestern University(西北大学);Tsinghua University(清华大学);UC Riverside(加州大学河滨分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Chicago(芝加哥大学)
针对现有基于后门的数据集版权保护方法存在安全危害的问题,本文提出基于难泛化域的领域水印方法,通过双层优化生成隐蔽的干净标签水印样本,结合假设检验实现所有权验证,经多基准数据集实验验证有效且抗自适应攻击。
2023-11-05 cs.AI cs.CR cs.CV
FairCMS: Cloud Media Sharing with Fair Copyright Protection
针对云媒体共享中的数据隐私、版权和用户权利保护问题,提出两种基于代理重加密和非对称指纹的方案 FairCMS-I 和 FairCMS-II,在效率与安全上提供不同权衡,并经实验验证可行。
2024-04-25 cs.CR cs.MM
Watermarking in Secure Federated Learning: A Verification Framework Based on Client-Side Backdooring
Peking University(北京大学);Central South University(中南大学);Fuzhou University(福州大学);Jinan University(暨南大学);Loughborough University(拉夫堡大学)
联邦学习(FL)允许多个参与者在不直接共享数据的情况下协作构建深度学习(DL)模型。因此,FL中的版权保护问题变得重要,因为不可靠的参与者可能会访问联合训练的模型。在安全FL框架中应用同态加密(HE)技术,防止中心服务器访问明文模型。因此,使用现有的水印方案在中央服务器处嵌入水印不再可行。在本文中,我们提出了一种新的客户端FL水印方案,以解决版权保护问题的安全FL与HE。据我们所知,这是第一个在安全FL环境下将水印嵌入到模型中的方案。我们设计了一个基于客户端后门的黑盒水印方案,通过梯度增强的嵌入方法将预先设计的触发器集嵌入到FL模型中。此外,我们提出了一个触发器集的建设机制,以确保水印不能伪造。实验结果表明,我们提出的方案提供了出色的保护性能和鲁棒性对各种水印去除攻击和歧义攻击。
2023-03-03 cs.AI cs.CR cs.LG
PersonaMark: Personalized LLM watermarking for model protection and user attribution
Wuhan University(武汉大学);Chinese Academy of Sciences(中国科学院);Indiana University Bloomington(印第安纳大学伯明顿分校);Worcester Polytechnic Institute(伍斯特理工学院)
针对现有水印缺乏个性化的问题,提出PersonaMark个性化文本水印方案,利用句子结构和个性化哈希嵌入水印,在保持文本质量的同时实现用户归属与版权保护,经四个LLM验证有效。
2024-12-17 cs.CL cs.CR
Copyright in AI Pre-Training Data Filtering: Regulatory Landscape and Mitigation Strategies
University of Texas at Tyler(得克萨斯大学泰勒分校);Polish-Japanese Academy of Information Technology(波日信息技术学院);University of the National Education Commission in Kraków(克拉科夫国家教育委员会大学)
本文提出多层次过滤管道,结合访问控制、内容验证、机器学习分类器和持续数据库交叉参考,将版权保护从训练后检测转向训练前预防,以保护创作者权利并促进人工智能创新。
2026-01-18 cs.CR cs.CY
A Novel Digital Watermarking Algorithm using Random Matrix Image
互联网接入的可用带宽足以传输数字资产。这些数字资产受到各种类型的威胁。[19]因此,保护数字资产所需的保护机制是研究的重点。当前关注的威胁是未经授权复制数字资产,这会助长盗版行为。根据版权法,这是非法的,需要一个强大的机制来遏制这种未经授权的复制。为了保护数字资产的版权,需要一种鲁棒的数字水印技术。现有的数字水印技术通过将数字水印嵌入到宿主数字图像中来保护数字资产。这种嵌入确实会在宿主图像中引起轻微的失真,但失真通常太小而不会被注意到。同时嵌入的水印必须具有足够的鲁棒性,能够抵抗蓄意攻击.数字水印技术有很多种,但研究人员一直在努力提高水印图像的鲁棒性。基于Huffman编码的水印分层方法[5]可以迅速提高数字水印的鲁棒性。[11]最终,增加了版权的安全性保护.建议的工作是在类似的方向,其中在RMI(随机矩阵图像)中使用的霍夫曼编码的地方。该算法在提高数字水印鲁棒性的同时,也增强了产品的安全性
2013-01-22 cs.CR cs.MM
Protecting Copyright of Medical Pre-trained Language Models: Training-Free Backdoor Model Watermarking
Shanghai Key Laboratory of Multidimensional Information Processing(上海多维信息处理重点实验室)
针对Med-PLMs版权保护需求,提出首个无训练后门模型水印方法,以低频词为触发器,通过替换嵌入实现水印嵌入,解决域任务不匹配问题,在医疗下游任务中效果优异且鲁棒高效。
2025-04-15 cs.AI cs.CR cs.LG
FedReverse: Multiparty Reversible Deep Neural Network Watermarking
Jinan University(暨南大学);Renmin University of China(中国人民大学)
本文提出 FedReverse 多方可逆 DNN 水印方法,支持训练后多方协同嵌入、一致同意后完全移除,并通过 MLP 与 CNN 实验验证其安全性、可逆性及低准确率影响。
2023-12-10 cs.AI cs.CR
Watermarking Text Data on Large Language Models for Dataset Copyright
针对大语言模型训练数据易遭隐私窃取、私人数据未授权使用的问题,提出基于后门成员推理的新型水印技术TextMarker,仅需标记0.1%训练数据即可有效保护版权,且隐蔽性强、对模型效用影响可忽略。
2024-07-12 cs.CR
LoRA-Key: User-Centric LoRA Watermarking for Text-to-Image Diffusion Models
Southeast University(东南大学);State Key Laboratory of Blockchain and Data Security, Zhejiang University(浙江大学区块链与数据安全全国重点实验室);Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新技术开发区(滨江)区块链与数据安全研究院);College of Computer and Data Science, Fuzhou University(福州大学计算机与数据科学学院)
提出LoRA-Key框架,通过可重用的用户特定水印LoRA实现版权保护,无需重新训练或修改目标LoRA。
2026-06-07 cs.CR
An Information Asymmetry Game for Trigger-based DNN Model Watermarking
Shanghai University(上海大学);Guizhou Normal University(贵州师范大学);Jinan University(暨南大学);Monash University Malaysia(莫纳什大学马来西亚分校)
针对DNN模型水印易被剪枝或微调移除的问题,本文提出信息不对称博弈模型,推导攻击者最优剪枝预算及检测精度指数下界,实验验证稀疏水印能以极小精度损失抵抗移除。
2025-10-16 cs.CR
Dataset Ownership in the Era of Large Language Models
本文综述了数据集版权保护技术,将其分为非侵入式、最小侵入式和最大侵入式三类,分析优劣并指出未来研究方向,以应对大语言模型时代的数据所有权挑战。
2025-09-07 cs.CR
DWBench: Holistic Evaluation of Watermark for Dataset Copyright Auditing
Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
DWBench通过统一基准和开源工具系统评估图像数据集水印技术,揭示了不同任务中方法的权衡与局限性。
2026-09-15 cs.CR