机器学习系统中的数据集版权审计 SoK

随着机器学习 (ML) 系统的广泛实施，尤其是大型 ML 模型的出现，人们对海量数据的需求日益迫切。然而，这不可避免地引发数据侵权和滥用问题，例如使用未经授权的网络艺术作品或人脸图像训练 ML 模型。为解决这一问题，已对模型训练数据集的版权进行多方审计。然而，现有解决方案在审计假设和能力方面各不相同，难以比较其优势与局限。此外，鲁棒性评估通常仅考虑 ML 管道的部分内容，几乎无法反映算法在实际 ML 应用中的性能。因此，必须从实际部署角度审视当前的数据集版权审计工具，考察其有效性和局限性。具体而言，我们根据是否需要对原始数据集进行修改，将数据集版权审计研究分为两大主要类别：侵入式方法和非侵入式方法。随后，我们将侵入式方法细分为不同的水印注入选项，并使用各种指纹来审查非侵入式方法。为了总结我们的发现，我们提供详细的参考表格，突出关键要点，并指出当前文献中未解决的问题。通过结合 ML 系统中的管道并分析前述研究，我们指出了若干未来方向，以使审计工具更适合实际的版权保护需求。