样本特定清洁标签后门水印用于数据集所有权验证

深度神经网络（DNNs）的快速发展依赖于大规模高质量数据集。然而，这些数据集的未经授权的商业使用严重侵犯了数据集所有者的知识产权。现有的基于后门的数据集所有权验证方法存在固有局限性：毒药标签水印容易因标签不一致而被检测到，而清洁标签水印面临高技术复杂度且在高分辨率图像上失败。此外，两种方法都采用静态水印模式，易受检测和移除。为此，本文提出一种样本特定清洁标签后门水印（SSCL-BW）。通过训练基于 U-Net 的水印样本生成器，该方法为每个样本生成唯一的水印，从根本上克服了静态水印模式的脆弱性。核心创新在于设计包含三个组成部分的复合损失函数：目标样本损失确保水印有效性，非目标样本损失保证触发器可靠性，感知相似度损失维持视觉不可察觉性。在所有权验证期间，采用黑盒测试以检查可疑模型是否 exhibits 预定义的后门行为。在基准数据集上进行大量实验表明，所提方法有效且对潜在的水印移除攻击具有鲁棒性。