NSGuard：面向定制化生成中数据版权保护的零空间引导鲁棒水印

基于摘要分析。本文研究扩散生成模型定制化过程中的数据版权保护，提出零空间引导的鲁棒水印框架 NSGuard，目标是在下游微调后保留水印，同时维持生成质量；主要研究对象不是 EEG 或 BCI。 核心机制是将水印嵌入关键模型参数的零空间，并通过几何感知优化，使水印嵌入方向与特定任务的微调梯度正交，在参数空间中寻找对微调低敏感的方向。相较于通过破坏定制输出实现主动防御的方法，作者希望降低保护措施暴露的风险；相较于既有模型水印，重点是提升对下游微调的耐受性。零空间的具体定义、梯度估计方式、水印编码与检测流程，以及嵌入时所需的数据和计算规模均尚未验证。 作者报告，在多个扩散模型骨干及对抗性微调场景中，NSGuard 的水印鲁棒性优于现有方法，并保持生成质量。摘要未提供模型名称、数据集、对照方法、评价指标或数值，因此无法核对优势幅度、生成质量与鲁棒性的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 生成模型也采用参数微调进行定制，可检验同类梯度正交约束能否保护其中的水印，但模型水印的存续并不自动证明训练数据的版权归属。可复用部分是参数空间约束思路，需改造水印载体、检测器及 EEG 信号保真度评估；跨被试或通道配置变化可能改变梯度方向，小数据和低信噪比也可能使低敏感方向估计不稳定。一个可证伪的小实验是在同一 EEG 生成模型及固定数据划分下，对比有无正交约束的水印，在相同微调预算下同时测量检测表现与信号质量。已有 EEG 相关工作尚未检索确认。