FedIPR：联邦深度神经网络模型的所有权验证
机器学习
2022-08-25 v3 人工智能
摘要
联邦学习模型是在多方拥有的宝贵训练数据上协作开发的。在联邦模型的开发与部署过程中，它们面临包括非法复制、再分发、滥用和/或搭便车在内的风险。为应对这些风险，联邦学习模型的所有权验证是保护联邦学习模型知识产权（IPR）（即 FedIPR）的前提。我们提出一种新颖的联邦深度神经网络（FedDNN）所有权验证方案，允许嵌入并验证私有水印，以主张 FedDNN 模型的合法 IPR。在所提方案中，各客户端独立验证模型水印的存在并主张对联邦模型的相应所有权，且不泄露私有训练数据与私有水印信息。嵌入水印的有效性通过严格分析多客户端可私有嵌入与检测水印的条件得到理论论证。此外，在计算机视觉与自然语言处理任务上的大量实验结果表明，可嵌入不同比特长度的水印并可靠检测，且不影响原始模型性能。我们的水印方案对多种联邦训练设置具有弹性，并对移除攻击具备鲁棒性。
引用
@article{arxiv.2109.13236,
title = {FedIPR: Ownership Verification for Federated Deep Neural Network Models},
author = {Bowen Li and Lixin Fan and Hanlin Gu and Jie Li and Qiang Yang},
journal= {arXiv preprint arXiv:2109.13236},
year = {2022}
}
备注
accepted by IEEE T-PAMI