用于黑箱音频数据集所有权验证的定向数据投毒

保护音频数据集的使用是数据所有者的主要关切，尤其是在音频深度学习模型近期兴起的背景下。虽然水印可用于保护数据本身，但它们无法识别在受保护数据集上训练的深度学习模型。在本文中，我们将 recently introduced 的数据标签（data taggants）方法适配到音频数据中。数据标签是一种方法，用于在仅能访问模型 top-$k$ 预测的条件下，验证神经网络是否在受保护的图像数据集上训练。该方法依赖于一种定向数据投毒方案，通过隐秘地改变数据集的一小部分（1%）来在分布外数据上诱导一种称为键（keys）的无害行为。我们在 Speechcommands 和 ESC50 数据集以及最先进的 transformer 模型上评估了我们的方法，并表明可以在不损失性能的情况下以高置信度检测数据集的使用。我们还展示了该方法对常见数据增强技术的鲁棒性，使其成为一种保护音频数据集的实用方法。