data-provenance

OriginBlame 是一个记录级与令牌级的数据溯源系统，能够在 AI 训练数据管道中传播作者身份，从而为机器遗忘（machine unlearning）生成精确的遗忘集。它消除了数据集级系统导致的过度删除问题，并提升了遗忘效果。

本文提出了一种针对封闭大型语言模型（LLM）的新型数据集水印方法。该方法利用词对共现模式，能够以可证明的方式检测模型训练是否使用了专有数据，即使这些数据在训练数据集中仅占极小比例。