FedReverse：多方可逆深度神经网络水印
密码学与安全
2023-12-12 v1 人工智能
摘要
深度神经网络（DNN）在商业应用中的普及正在迅速扩大。同时，训练 DNN 模型日益增加的复杂性和成本加剧了保护与这些训练模型相关的知识产权的紧迫性。在这方面，DNN 水印已成为一种关键的防护技术。本文提出了 FedReverse，一种新颖的多方可逆水印方法，用于稳健的版权保护，同时将对性能的影响降至最低。与现有方法不同，FedReverse 允许在模型训练后由多方协作嵌入水印，从而确保个人的版权声明。此外，FedReverse 是可逆的，在所有客户端一致同意的情况下能够完全移除水印。FedReverse 展示了完美的掩盖性，确保对水印内容的观察不会泄露任何有关隐藏水印的信息。此外，它展示了对已知原始攻击（KOA）的抵抗力，使得攻击者极难伪造水印或推断密钥。本文进一步通过在 MNIST 数据集上训练的多层感知机（MLP）和卷积神经网络（CNN）的综合仿真对 FedReverse 进行了评估。仿真表明，在不同的嵌入参数和多个客户端场景下，FedReverse 具有稳健性、可逆性，且对模型精度的影响极小。
引用
@article{arxiv.2312.05738,
title = {FedReverse: Multiparty Reversible Deep Neural Network Watermarking},
author = {Junlong Mao and Huiyi Tang and Yi Zhang and Fengxia Liu and Zhiyong Zheng and Shanxiang Lyu},
journal= {arXiv preprint arXiv:2312.05738},
year = {2023}
}
备注
13 pages