arXiv cs.AI· Zihan Wang, Ethan Ma, Zhongkui Ma, Shuofeng Liu, Akide Liu, Derui Wang, Minhui Xue, Guangdong Bai·· 1 天前AI 评分38
Catch-Only-One：面向模型专属授权的不可迁移样本
Catch-Only-One: Non-Transferable Examples for Model-Specific Authorization
AI 导读
研究者提出“不可迁移样本”（NTEs），将数据重编码为只有指定模型能解码的任务级“密文”，无需训练即可让授权模型保持输出、未授权模型性能崩溃。该方法利用模型低敏感子空间而非对抗样本的高敏感方向，并给出授权保真度的形式化界，证明未授权退化程度与模型间可测的谱失配成正比。
正文 · AI 翻译
摘要：近期的人工智能监管日益强调需要建立机制，在保护数据用于人工智能创新的效用的同时防止滥用，尤其是通过对下游人工智能应用实施目的限制来实现。在实践中，落实这一原则仍具挑战性，因为已发布的数据可以被轻易地输入到超出其声明意图的任意模型中。现有方法试图通过扰动数据或重新训练模型来限制非预期用途，从而缓解这一风险。然而，这些策略无法防范未知或外部训练的模型所进行的推理，或者从根本上依赖于对训练或部署的控制。在本工作中，我们引入了不可迁移样本（NTEs），即被重新编码的数据，它们充当任务级的“密文”，只有指定模型才能解码。对抗样本利用的是模型高敏感度的方向，而 NTEs 则利用互补的不敏感子空间。我们提出了一种无需训练、与数据无关的方法，在模型特定的低敏感度子空间内对数据进行重新编码，为授权模型保留输出，同时通过子空间错位使未授权模型的输出退化。我们建立了形式化边界，证明授权模型的保真度，并表明未授权模型的退化程度与模型之间可测量的谱错位成正比。在实证上，NTEs 在常见预处理下于多种视觉骨干网络和最先进的视觉语言模型中保持了性能，而未授权模型即使在自适应重建攻击下也会崩溃。这些结果确立了 NTEs 作为一种实用手段，既能保留预期的数据效用，又能防止未授权的利用。我们的项目见 此 https URL。
| 评论： | NeurIPS 2026（口头报告） |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2510.10982 [cs.LG] |
| （或 arXiv:2510.10982v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2510.10982 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zihan Wang [查看邮箱]
[v1]
2025年10月13日星期一 03:43:11 UTC（4,489 KB）
[v2]
2026年5月31日星期日 02:26:14 UTC（9,494 KB）
[v3]
2026年11月11日星期三 09:05:44 UTC（3,597 KB）
来源：arXiv cs.AI · arxiv.org