数据标签：通过无害针对性数据投毒实现数据集所有权验证

数据集所有权验证——即确定数据集是否用于模型训练数据的过程——是检测未授权数据使用和数据污染所必需的。现有方法，如后门水印，依赖于在模型对部分数据分布的响应中诱导可检测行为。然而，这些方法存在局限性：可能损害模型性能，或需要对模型内部进行不切实际的访问。最重要的是，先前方法缺乏对误报的保证。本文引入数据标签（data taggants）这一新型非后门数据集所有权验证技术。该方法使用分布外样本和随机标签的配对作为密钥，利用干净标签的针对性数据投毒微调数据集，使其在模型收到关键样本时返回相应的关键标签。这些密钥设计为允许仅通过模型的黑盒访问即可获得统计证书。我们通过在ImageNet1k上使用ViT和ResNet模型进行全面且真实的实验进行验证。我们的发现表明，数据标签能够在不牺牲验证准确率的情况下，以高置信度可靠地检测在受保护数据集上训练的模型，并显示其优于后门水印。我们展示了该方法在各种防御机制下的隐蔽性和鲁棒性。