将解释作为水印：通过水印化特征归因实现无害且多比特模型所有权验证

所有权验证是当前最关键且最广泛采用的事后方法，用于保护模型版权。一般而言，模型所有者通过检查第三方模型是否具有从其发布模型中"继承"的特定属性来确定其是否被盗用。目前，基于后门的模型水印是将此类属性植入发布模型的主要和前沿方法。然而，基于后门的方法存在两个致命缺陷：即有害性和模糊性。前者表明它们向水印模型中引入可控的恶意误分类行为（即后门），后者表明恶意用户可以通过寻找其他误分类样本轻易通过验证，导致所有权模糊。本文认为，这两个局限性源于现有水印方案的"零比特"本质，即它们利用预测状态（即是否误分类）进行验证。基于此理解，我们设计了一种新的水印范式，即解释作为水印（Explanation as a Watermark, EaaW），将验证行为植入到特征归因解释中而非模型预测中。具体而言，EaaW在不改变原始预测的情况下，将"多比特"水印植入到特定触发样本的特征归因解释中。我们受可解释人工智能启发，设计了水印嵌入和提取算法。特别是，我们的方法可用于不同任务（例如图像分类和文本生成）。广泛的实验验证了EaaW在有效性和无害性方面的优势，以及其对潜在攻击的抗性。