DSSmoothing：通过双空间平滑迈向预训练语言模型的可认证数据集所有权验证

基于摘要分析。该研究面向预训练语言模型（PLMs）的数据集所有权验证（DOV），针对水印在自然噪声与对抗扰动下可能不稳定的问题，提出双空间平滑方法 DSSmoothing，将嵌入空间与排列空间中的水印构造、随机平滑和统计比较结合起来，寻求可证明的验证鲁棒性。 方法采用灰盒设定：验证方只能查询可疑模型，但知道其输入表示模块。为处理文本离散性与语义敏感性，DSSmoothing 在嵌入空间施加连续扰动以刻画语义鲁棒性，并在排列空间进行受控 token 重排以刻画序列鲁棒性。第一阶段在两个空间协同嵌入触发器，生成满足范数约束的鲁棒水印数据集；第二阶段在验证时对两个空间实施随机平滑，计算可疑模型的 watermark robustness（WR），并与一组良性模型的 principal probability（PP）值进行统计比较。 作者声称，在有界双空间扰动下，可通过保证 WR 持续高于 PP，为所有权验证提供可证明的鲁棒性保证。作者报告，在多个代表性网络数据集上的实验显示验证表现稳定，并能抵抗潜在自适应攻击；摘要未提供具体数据集、模型、划分、对照基线或数值结果，不能据此量化效果。 需结合全文核对认证所依赖的假设、扰动边界与语义保持条件、WR 和 PP 的定义及估计方式、良性模型的选择、统计检验与误报控制，以及自适应攻击的能力范围。实验协议、消融及统计信息尚未验证。本文研究对象是语言模型的数据版权验证，材料未提供 EEG 或 BCI 实验，其结果不构成神经信号模型所有权验证有效性的证据。