DCS：跨模式版权侵权检测的统一条件敏感性框架

目前，大多数基础模型可以复制或强烈依赖受版权保护的训练内容，但仅输出相似性不足以检测侵权，因为类似的输出也可能来自公共领域概念、常见的文体约定或普通的统计概括。在本文中，我们开发了一个统一的事后检测框架，将版权侵权证据视为反事实条件分布转移：如果受保护的目标被包含在训练过程中或从训练过程中删除，则当模型在一致条件下的行为发生可测量的变化时，受保护的目标是可疑的。我们通过条件差分隐私形式化了这一观点，并引入了双分支条件敏感度（DCS），这是一种测量两个局部扰动模型状态之间可观察差距的操作统计数据。具体来说，所提出的 DCS 框架围绕部署的模型创建一个学习分支和一个非学习分支，通过影响函数分析将它们的位移与不可用的反事实再训练效果联系起来，并通过反事实隐私预算替代、局部曲率、训练集规模和扰动步长来限制可观察的敏感性。为了区分特定目标的记忆和一般的 微调 不稳定性，我们进一步定义了一个校准的检测统计量，该统计量减去在正交条件下测量的灵敏度。 DCS 框架针对岭正则化线性回归、条件扩散模型、自回归语言模型和多模态模型进行了实例化。这些实例展示了如何通过预测差距、图像嵌入散度、标记分布或熵移位以及跨模式表示变化来评估相同的原理。