DRGW：面向鲁棒图水印的解耦表示学习
机器学习
2026-01-22 v2 密码学与安全
摘要
图结构数据是众多 Web 应用的基础，而水印技术对于保护其知识产权和确保数据来源至关重要。现有的水印方法主要作用于图结构或耦合的图表示，由于在表示图时的信息耦合以及将连续数值表示转化为图结构时不可控的离散化，这些方法损害了水印的透明性与鲁棒性。这促使我们提出 DRGW，这是首个通过解耦表示学习来解决这些问题的图水印框架。具体而言，我们设计了一个对抗训练的编码器，学习在多种扰动下保持不变的结构表示，并导出统计独立的水印载体，从而确保水印的鲁棒性与透明性。同时，我们设计了一个图感知的可逆神经网络，为水印的嵌入与提取提供无损通道，保证了水印的高可检测性与透明性。此外，我们开发了一个结构感知编辑器，将潜在修改问题转化为离散图编辑，确保对结构扰动的鲁棒性。在多种基准数据集上的实验证明了 DRGW 的卓越有效性。
引用
@article{arxiv.2601.13569,
title = {DRGW: Learning Disentangled Representations for Robust Graph Watermarking},
author = {Jiasen Li and Yanwei Liu and Zhuoyi Shang and Xiaoyan Gu and Weiping Wang},
journal= {arXiv preprint arXiv:2601.13569},
year = {2026}
}
备注
Published at The Web Conference 2026 (WWW '26)