यह शोधपत्र कॉपीराइटशील्ड का प्रस्ताव करता है, जो प्रसार मॉडल पर कॉपीराइट उल्लंघन के हमलों के विरुद्ध एक सुरक्षा ढाँचा है। यह उन हमलों पर केंद्रित है जहाँ हमलावर जानबूझकर गैर-कॉपीराइट छवियों को प्रशिक्षण डेटा में इंजेक्ट करते हैं, जिससे विशिष्ट प्रॉम्प्ट के लिए कॉपीराइट-उल्लंघनकारी सामग्री का निर्माण होता है। कॉपीराइटशील्ड प्रसार मॉडल की स्मृति तंत्र का विश्लेषण करके यह प्रकट करता है कि यह हमला विशिष्ट स्थानिक स्थानों और प्रॉम्प्ट के लिए ओवरफिटिंग का फायदा उठाता है। इसके बाद यह स्थानिक मास्किंग और डेटा इम्पुटेशन का उपयोग करके विषाक्त नमूनों का पता लगाने की एक विधि प्रस्तावित करता है। इसके अलावा, यह कॉपीराइट उल्लंघन विशेषताओं पर निर्भरता को कम करता है और एक अनुकूली अनुकूलन रणनीति के माध्यम से उत्पादन प्रदर्शन को बनाए रखता है जो प्रशिक्षण हानि में गतिशील दंड शर्तों को शामिल करती है। प्रायोगिक परिणाम दर्शाते हैं कि कॉपीराइटशील्ड दो हमले परिदृश्यों में विषाक्त नमूनों का पता लगाने के प्रदर्शन में उल्लेखनीय रूप से सुधार करता है, जिससे औसत F1 स्कोर 0.665, प्रथम आक्रमण काल (FAE) विलंब 115.2%, और कॉपीराइट उल्लंघन दर (CIR) में 56.7% की कमी प्राप्त होती है। यह सबसे अच्छा प्रदर्शन करने वाली मौजूदा रक्षा प्रणाली की तुलना में 25% सुधार दर्शाता है।
