Catch-Only-One：面向模型专属授权的非转移示例
机器学习
2025-10-14 v1 人工智能
摘要
近期人工智能法规要求数据在保持创新实用性的同时抵御滥用，在模型层面实现效用与保护的平衡。现有方法要么扰动数据以防可学习，要么重新训练模型以抑制转移，但两者都无法对未知模型进行推理控制，且通常需要对训练过程施控。我们提出非转移示例（NEs），一种无训练、数据中性的输入端使用控制机制。我们在模型专属的低灵敏度子空间中重新编码输入，在获准模型下保持输出，而通过子空间错位降低对未获授权模型的性能。我们建立形式界限，保证获准模型的效用，并量化未获授权模型的偏差，利用 Hoffman-Wielandt 不等式将性能下降与谱差异关联。实验表明，NEs 在多种视觉主干模型和最新视觉语言模型下保持性能，而非目标模型即使尝试重构也会崩溃。这些结果表明 NEs 是一种实用的手段，既保留数据原本的用途，又防止未获授权的滥用。我们的项目地址为 https://trusted-system-lab.github.io/model-specificity
引用
@article{arxiv.2510.10982,
title = {Catch-Only-One: Non-Transferable Examples for Model-Specific Authorization},
author = {Zihan Wang and Zhiyong Ma and Zhongkui Ma and Shuofeng Liu and Akide Liu and Derui Wang and Minhui Xue and Guangdong Bai},
journal= {arXiv preprint arXiv:2510.10982},
year = {2025}
}