注意力分散：通过具有选择性遗忘的持续学习去除水印
计算机视觉与模式识别
2022-04-06 v1 密码学与安全
摘要
微调攻击能有效去除深度学习模型中嵌入的水印。然而，当源数据不可用时，仅擦除水印而不损害模型性能颇具挑战。在此背景下，我们提出注意力分散(AD)，一种新颖的免源数据水印去除攻击，通过定制持续学习使模型选择性遗忘嵌入的水印。具体而言，AD 首先利用一些无标签数据将模型的注意力锚定在主任务上。然后，通过持续学习，少量被赋予新标签的 \textit{lures}（随机选取的自然图像）将模型的注意力从水印处引开。来自不同数据集与网络的实验结果证实，AD 能以小规模资源开销彻底去除水印，且不损害模型在主任务上的性能，优于当前最优工作。
引用
@article{arxiv.2204.01934,
title = {Attention Distraction: Watermark Removal Through Continual Learning with Selective Forgetting},
author = {Qi Zhong and Leo Yu Zhang and Shengshan Hu and Longxiang Gao and Jun Zhang and Yong Xiang},
journal= {arXiv preprint arXiv:2204.01934},
year = {2022}
}
备注
Accepted by ICME2022