본 논문은 기계 학습 모델의 훈련 노력 증명(Proof-of-Learning, PoL)과 소유권 증명(Proof-of-Ownership, PoO)을 동시에 달성하는 통합 프레임워크인 PoLO를 제안한다. PoLO는 훈련 과정을 세분화된 조각으로 나누고 각 조각에 전용 워터마크를 삽입하여 이전 조각의 해시를 사용하여 생성된 체인 구조를 통해 위조를 어렵게 만든다. 전체 워터마크 세트는 PoL을, 최종 워터마크는 PoO를 제공한다. 기존의 기울기 기반 추적 방식보다 효율적이고 개인 정보 보호가 강화된 검증을 제공하며, 소유권 확인 정확도는 99%에 달하고 검증 비용은 기존 방법의 1.510% 수준으로 줄인다. 위조에는 정직한 증명 생성보다 1.14배 많은 리소스가 필요하며, 공격 후에도 원래 증명의 검출 정확도는 90% 이상 유지된다.
