序列软提示水印

零样本可验证

在防御者指定的分布外类别顺序中嵌入水印，不改变原始预测标签，实现软提示的可审计版权保护。

杨文元 · Yichen, Sun · Changzheng, Chen · Chu, Zhixuan · Zhang, Jiaheng · 李一鸣 · Tao, Dacheng

International Journal of Computer Vision 2026

参数信息

验证数据集数

11

技术优势

不改变原始预测

水印嵌入在更复杂的分布外类别顺序空间，与主任务决策空间不同，因此对原始预测标签没有影响。

理论上可验证

设计了假设检验引导的验证协议，并提供了验证何时有效的理论分析，为审计提供理论支撑。

11个数据集上鲁棒

在11个数据集上的大量实验表明SWAP能抵抗潜在攻击，保持有效性、无害性和鲁棒性。

应用场景

• 视觉语言模型版权保护：审计第三方模型是否盗用受保护的软提示。
• 模型水印：为软提示嵌入可验证水印以声明版权。
• 零样本验证：利用CLIP零样本能力验证水印。
• AI模型安全：保护模型知识产权免受盗用。