SLIM：通过潜在空间混淆区实现隐蔽的低覆盖黑盒水印

基于摘要分析。该研究面向 LLM 训练数据的来源验证：单个数据所有者通常仅贡献训练语料的极小部分，如何在只能修改一个或少数序列、且仅能黑盒访问模型的条件下，植入可随训练迁移至模型的可验证信号？作者提出 SLIM，以潜在空间混淆区（Latent-Space Confusion Zone）支持逐用户的数据来源验证。 核心机制是通过训练使模型将语义相近的前缀映射至差异显著的续写，从而形成局部生成不稳定性，再通过假设检验识别这一信号。其关注点不是大规模修改训练语料，而是在极低覆盖约束下兼顾水印隐蔽性、验证可行性与鲁棒性。摘要未提供前缀和续写的构造规则、具体训练目标、黑盒查询方式或检验统计量。 作者报告，实验显示 SLIM 具备极低覆盖条件下的水印能力、较强的黑盒验证性能和可扩展性，同时保持隐蔽性与模型效用。但摘要未给出数据集、模型规模、覆盖率定义与数值、查询预算、误报率、检测功效或对照基线，因此目前不能量化其优势，也不能判断其在不同训练与生成设置下的稳定性。实验协议、消融及统计信息尚未验证。 该工作的主要对象是 LLM 训练数据保护，而非 EEG 解码或 BCI。现有材料没有提供与神经信号数据结构或 BCI 任务的具体机制对应，不据此推断其具有 BCI 有效性。复现前需核对水印注入流程、训练数据混合方式、检验阈值与鲁棒性评估设置；代码及其他复现资源尚未验证。