一种极简的循环神经网络知识产权保护的实用方法
计算与语言
2022-10-05 v2 密码学与安全
摘要
借助深度学习模型，将自然语言处理（NLP）解决方案作为机器学习即服务（MLaaS）的一部分已产生可观收益。同时，众所周知这些高价值深度模型的创建并非易事。因此，保护这些发明的知识产权（IPR）免遭滥用、窃取和剽窃至关重要。本文提出了一种实用的 RNN 知识产权保护的方案，没有现有 IPR 方案那些繁复的修饰。具体而言，我们引入了类似于 RNN 架构中循环特性的 Gatekeeper 概念来嵌入密钥。此外，我们以这样一种方式设计模型训练方案：受保护的 RNN 模型当且仅当呈现真实密钥时才保持其原始性能。大量实验表明，我们的保护方案在不同 RNN 变体的白盒和黑盒保护方案下，对模糊攻击和移除攻击均鲁棒且有效。代码见 https://github.com/zhiqin1998/RecurrentIPR
引用
@article{arxiv.2210.00743,
title = {An Embarrassingly Simple Approach for Intellectual Property Rights Protection on Recurrent Neural Networks},
author = {Zhi Qin Tan and Hao Shan Wong and Chee Seng Chan},
journal= {arXiv preprint arXiv:2210.00743},
year = {2022}
}
备注
Accepted at AACL-IJCNLP 2022 (Fig. 1 updated)