FLClear：面向联邦学习的多客户端可视化水印
机器学习
2025-11-18 v1 人工智能
密码学与安全
摘要
联邦学习( FL) 使多个客户端能够在保留本地数据隐私的同时协同训练共享的全局模型。在此范式下，客户端模型的知识产权( IPR) 是关键资产，必须受到保护。实际情况下，负责维护全局模型的中心服务器可能滥用全局模型，以擦除客户端贡献或虚假声称 sole 所有权，从而侵犯客户端的 IPR。水印技术已成为验证模型所有权和保护知识产权的有前景方法。然而，现有的 FL 水印方法仍受限， suffering 从潜在的水印冲突、不足的水印安全性以及非直观的验证机制。本文我们提出 FLClear，一个 novel 框架，同时实现了无冲突的水印聚合、增强的水印安全性以及可视化的可解释所有权验证。具体而言，FLClear 引入一个转置模型，联合优化水印和主任务目标。在验证期间，水印从转置模型中重建，并通过视觉检查和结构相似性指标进行评估，实现直观和量化的 all权验证。对各种数据集、聚合方案和攻击情景进行的全面实验表明 FLClear 的有效性，并证明它始终优于最新的 FL 水印方法。
引用
@article{arxiv.2511.12663,
title = {FLClear: Visually Verifiable Multi-Client Watermarking for Federated Learning},
author = {Chen Gu and Yingying Sun and Yifan She and Donghui Hu},
journal= {arXiv preprint arXiv:2511.12663},
year = {2025}
}