VICTOR：面向视频识别系统的数据集版权审计

视频识别系统日益增多地部署在日常场景中，如内容推荐和安全监控。为提升视频识别开发，许多机构发布了高质量的公开数据集并采用开源许可证用于训练先进模型。同时，这些数据集也容易受到滥用和侵权。数据集版权审计是识别此类未授权使用有效解决方案。然而，现有数据集版权方法主要聚焦于图像领域，视频数据的复杂性使视频数据集的版权审计尚未得到探索。具体而言，视频数据引入了额外的时序维度，对现有方法的有效性和隐蔽性构成重大挑战。本文提出 VICTOR，首个针对视频识别系统的数据集版权审计方法。我们发展通用且隐蔽的样本修改策略，以增强目标模型的输出差异。通过仅修改少量样本（例如 1%），VICTOR 放大了已修改样本对目标模型预测行为的影响。目标模型对已修改且未修改的原始样本之间的行为差异可作为数据集审计的关键依据。大量实验在多个模型和数据集上表明 VICTOR 的优势。最后，我们展示 VICTOR 在针对训练视频或目标模型的多种扰动机制下具有鲁棒性。