生成模型的黎曼几何指纹

近期生成模型（GMs）取得的突破性进展及其快速集成，催生了对模型归属及其指纹的兴趣。例如，服务提供商需要可靠的方法来验证自身模型以保护知识产权，而用户与执法机构则寻求核查生成内容来源以确保问责与信任。此外，随着更多模型生成数据被反馈至训练源头（如YouTube），模型崩溃威胁日益严重，加剧了区分合成数据与人类数据的需求。然而，现有研究在生成模型指纹的理解上仍存在空白，我们认为源于缺乏一种原则化框架以定义、表征与分析指纹。为此，我们提出一种几何化方法，定义GMs的“工件”与“指纹”，以黎曼几何为基础，借此发挥微分几何的丰富理论。我们新定义将前述工作（Song等，2024）推广至非欧几何流形，通过从数据中学习黎曼度量，将欧几里得距离与最近邻搜索替换为测地线距离与基于k近邻的黎曼质心。我们应用该理论，构建一种基于梯度的算法用于实际计算指纹。结果表明，该方法在区分跨4个数据集、2种分辨率（64×64、256×256）、27种模型架构及2种模态（视觉、视觉-语言）的生成模型时，效果显著优于基线方法。采用我们提出的定义显著提升了模型归属的性能，并在未见数据集、模型类型及模态的泛化能力上亦表现出色，表明其实际应用价值。