规避深层神经网络中的数据源头

现代过参数化的深度模型高度依赖数据，大规模通用和领域特定数据集是快速进展的基石。然而，许多数据集是专有的或包含敏感信息，限制了不受限制的模型训练。在数据盗窃无法完全防止的开放世界中，数据所有权验证（DOV）作为一种保护版权的方法，通过检测未授权模型训练和追踪非法活动而引起了关注。由于其多样性和优异的隐身性，规避 DOV 被认为极具挑战性。然而，本文指出，过去的研究在评估中依赖过于简化的规避攻击，导致人们对安全性产生了虚假的感知。我们引入一个统一的规避框架，教师模型首先从版权数据集中学习，然后通过一个来自分布外（OOD）数据集的中介，将任务相关但与标识无关的领域知识传递给_surrogate 学生。利用视觉-语言模型和大型语言模型，我们从 OOD 图库集中挑选出最具信息性和可靠性的子集作为最终的传递集，并提出选择性地传递任务导向的知识，以实现更好的泛化性与规避效果之间的平衡。跨越覆盖十一种 DOV 方法的多个数据集上的实验表明，我们的方法同时消除了所有版权标识，且在泛化性和规避效果上显著优于九种最新规避攻击方法，计算开销适中。作为概念验证，我们揭示了当前 DOV 方法的关键漏洞，凸显了为提高实用性而需要长期发展的必要性。