DataCook：用于医疗数据版权保护的反对抗性样本生成方法
人工智能
2024-03-27 v1 密码学与安全
计算机视觉与模式识别
摘要
在医疗领域，版权保护和未授权的第三方滥用问题日益突出。传统的数据版权保护方法是在数据分发之前应用，这导致在这些数据上训练的模型无法受到控制。本文引入一种新方法，称为 DataCook，旨在保护医疗数据的版权在部署阶段。DataCook 通过对原始数据进行“烹饪”处理后进行分发，使开发在该处理数据上正常运行的模型成为可能。然而，在部署阶段，必须对原始测试数据也进行 DataCook 的“烹饪”处理，以确保模型正常运行。这一过程赋予版权持有者在部署阶段对授权的控制。DataCook 的工作原理是生成反对抗性样本（AntiAdv），这些样本旨在增强模型的置信度，而与常规对抗性样本（Adv）不同，后者旨在混淆模型。类似于 Adv，AntiAdv 引入不可感知的扰动，确保 DataCook 处理后的数据仍然易于理解。我们在 MedMNIST 数据集上进行了广泛实验，涵盖了 2D/3D 数据及高分辨率变体。结果表明，DataCook 有效实现了其目标，无法有效分析由 AntiAdv 训练的模型处理的未授权数据，而不会影响合法场景下数据的有效性和准确性。代码和数据已公开于 https://github.com/MedMNIST/DataCook。
引用
@article{arxiv.2403.17755,
title = {DataCook: Crafting Anti-Adversarial Examples for Healthcare Data Copyright Protection},
author = {Sihan Shang and Jiancheng Yang and Zhenglong Sun and Pascal Fua},
journal= {arXiv preprint arXiv:2403.17755},
year = {2024}
}