《ACM Transactions on Knowledge Discovery from Data》：Blind Watermarking for Tabular Datasets in Machine Learning: A Primary Key Free Method
要查看此由AI生成的摘要，您必须具有高级访问权限。
摘要
摘要
水印技术被广泛用于保护表格数据集的所有权。与非盲水印技术（需要原始数据集来检测水印）相比，盲水印技术更为安全，因为它可以在不使用原始数据集的情况下准确检测水印，从而限制了公众对原始数据集的访问。现有的盲水印方法依赖于主键或虚拟主键来对表格数据集进行水印处理。然而，这些水印很容易被攻击者移除，且对数据集的机器学习性能影响甚微，因为主键可以大幅度修改而不影响机器学习效果，而虚拟主键对数据集的轻微修改非常敏感。我们能否设计一种不依赖于主键或虚拟主键的盲水印方法？在本文中，我们提出了一种新颖的方法，该方法将正弦信号作为水印嵌入到由表格数据集构建的离散时间信号中。我们从理论上分析了我们的水印对抗六种挑战性攻击的鲁棒性，并通过两个真实世界数据集的全面实验验证了该方法出色的性能。
摘要
摘要
水印技术被广泛用于保护表格数据集的所有权。与非盲水印技术（需要原始数据集来检测水印）相比，盲水印技术更为安全，因为它可以在不使用原始数据集的情况下准确检测水印，从而限制了公众对原始数据集的访问。现有的盲水印方法依赖于主键或虚拟主键来对表格数据集进行水印处理。然而，这些水印很容易被攻击者移除，且对数据集的机器学习性能影响甚微，因为主键可以大幅度修改而不影响机器学习效果，而虚拟主键对数据集的轻微修改非常敏感。我们能否设计一种不依赖于主键或虚拟主键的盲水印方法？在本文中，我们提出了一种新颖的方法，该方法将正弦信号作为水印嵌入到由表格数据集构建的离散时间信号中。我们从理论上分析了我们的水印对抗六种挑战性攻击的鲁棒性，并通过两个真实世界数据集的全面实验验证了该方法出色的性能。
AI生成的摘要（实验性）
此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，并协助来自相关研究领域的读者理解文章内容。它旨在补充作者提供的摘要，后者仍是文章的官方摘要。完整文章才是权威版本。点击此处了解更多关于ACM AI摘要的信息。
点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。
要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。
