通用样本指纹

不动训练即判别

与依赖分类边界的现有指纹法相比，利用模型泛化能力生成的通用样本更能区分目标模型与独立模型。

Qingguang, Li · 许光銮

Neurocomputing 2026

技术优势

不用重新训练

利用模型已有泛化能力生成的通用样本做指纹，不触碰训练过程，也不影响模型精度。

鲁棒性更强

相比主要依赖分类边界的现有指纹方法，本方法展现出增强的鲁棒性和效率。

能验所有权

设计了实用的 IP 验证方案，可识别远程模型的所有权。

应用场景

• 模型版权保护：不修改模型即可生成指纹，用于事后证明模型所有权。
• 深度学习安全：给模型加一层可验证的身份标识，安全团队可据此发现未经授权的模型复用。
• 模型审核：审计时无需访问训练数据，用通用样本即可比对模型是否源自目标模型。
• 联邦学习模型验证：联邦学习中各参与方模型可分别生成指纹，用于验证聚合后的模型是否包含特定贡献。