Как доказать, что модель обучалась на данных с согласия их правообладателей, не раскрывая сам датасет?

Децентрализованные ИИ-сети позволяют любому желающему вносить вычислительные ресурсы или данные для обучения общей модели, однако не существует механизма, с помощью которого конечный пользователь или регулятор мог бы проверить, что обучающий корпус не содержал отравленных, похищенных или несогласованных данных, не раскрывая при этом содержимое обучающей выборки. Сегодня происхождение данных подтверждается либо подписанным манифестом, который составители аттестуют самостоятельно, либо централизованным аудитом, противоречащим самой идее децентрализации. Статья об атаках инверсии активаций, опубликованная в феврале 2025 года, показала, что обучающие данные можно частично восстановить из градиентных сигналов, которыми обмениваются при федеративном обучении, а значит, любая схема верификации происхождения, требующая обмена градиентами, также приводит к утечке данных. Рейтинг OWASP LLM top-ten 2025 года прямо относит отравление данных в цепочке поставок к отдельной категории, для которой не существует стандартизированных мер противодействия применительно к открытым децентрализованным процессам обучения.