DivQAT：增强量化卷积神经网络抵御模型提取攻击的鲁棒性
机器学习
2026-01-01 v1 密码学与安全
摘要
卷积神经网络（CNNs）及其量化对应物容易受到提取攻击，构成知识产权窃取的重大威胁。然而，与大型模型相比，量化模型对这些攻击的鲁棒性鲜有研究。以往的防御方法提出在预测概率中注入计算出的噪声。然而，这些防御方法存在局限性，因为它们未在模型设计期间纳入，仅在训练后作为补充添加。此外，大多数防御技术计算成本高昂，且通常对受害模型有在边缘设备实现中不可行且不适用于量化模型的不切实际假设。本文提出 DivQAT，一种基于量化感知训练（QAT）训练量化 CNNs 的新算法，旨在增强其抵御提取攻击的鲁棒性。据我们所知，我们的技术是首个修改量化过程以将模型提取防御集成到训练过程中的方法。通过在基准视觉数据集上的经验验证，我们证明了我们的技术在抵御模型提取攻击方面的有效性，且不牺牲模型精度。此外，将我们的量化技术与其他防御机制相结合，相比传统 QAT 提高了其有效性。
引用
@article{arxiv.2512.23948,
title = {DivQAT: Enhancing Robustness of Quantized Convolutional Neural Networks against Model Extraction Attacks},
author = {Kacem Khaled and Felipe Gohring de Magalhães and Gabriela Nicolescu},
journal= {arXiv preprint arXiv:2512.23948},
year = {2026}
}