Hot-Swap MarkBoard：面向大规模模型分发的高效黑盒水印方法
密码学与安全
2025-07-30 v1 人工智能
计算机视觉与模式识别
摘要
最近，深度学习（DL）模型越来越多地作为端侧 AI 部署在终端用户设备上，提供了更高的效率和隐私性。然而，这种部署趋势带来了更严重的知识产权（IP）风险，因为模型被分发到众多本地设备上，使其容易被盗和重新分发。大多数现有的所有权保护方案（例如，基于后门的水印）是为基于云的 AI 即服务设计的，不能直接应用于大规模分发场景，其中每个特定于用户的模型实例必须携带唯一的水印。这些方法通常嵌入固定水印，修改嵌入的水印需要重新训练模型。为了应对这些挑战，我们提出了 Hot-Swap MarkBoard，一种高效的水印方法。它通过将多个水印独立嵌入多分支低秩自适应（LoRA）模块，编码特定于用户的 位二进制签名，通过分支交换实现无需重新训练的高效水印定制。参数混淆机制进一步将水印权重与基础模型权重纠缠，防止在不降低模型性能的情况下被移除。该方法支持黑盒验证，并兼容各种模型架构和 DL 任务，包括分类、图像生成和文本生成。在三类任务和六个骨干模型上的大量实验表明，与现有方法相比，我们的方法具有卓越的效率和适应性，实现了 100\% 的验证准确率。
引用
@article{arxiv.2507.20650,
title = {Hot-Swap MarkBoard: An Efficient Black-box Watermarking Approach for Large-scale Model Distribution},
author = {Zhicheng Zhang and Peizhuo Lv and Mengke Wan and Jiang Fang and Diandian Guo and Yezeng Chen and Yinlong Liu and Wei Ma and Jiyan Sun and Liru Geng},
journal= {arXiv preprint arXiv:2507.20650},
year = {2025}
}