MAP：面向无源模型知识产权保护的掩码剪枝方法
计算机视觉与模式识别
2024-03-08 v1
摘要
深度学习在各种应用中取得了显著进展，凸显了保护训练良好模型知识产权（IP）的重要性。这不仅涉及授权使用权，还确保模型仅在授权数据域内部署，即使模型专用于特定目标域。以往的方法在执行 IP 保护时需要同时访问源训练数据和目标未授权数据，这使得它们对于去中心化的私有数据而言既存在风险又效率低下。在本文中，我们针对仅可用一个训练良好的源模型这一实际场景，研究如何实现 IP 保护。为此，我们提出了一种新颖的掩码剪枝（MAsk Pruning, MAP）框架。MAP 源于一个直观的假设，即训练良好的模型中存在与目标相关的参数，定位并剪枝这些参数是 IP 保护的关键。技术上，MAP 冻结源模型并学习一个特定于目标的二值掩码，以防止未授权数据的使用，同时最小化授权数据上的性能下降。此外，我们引入了一种新指标，旨在更好地平衡源性能和目标性能的下降。为验证有效性和通用性，我们在多种场景下评估了 MAP，包括常规的源数据可用、实际的无源数据以及极具挑战性的无数据场景。大量实验表明，MAP 取得了新的最先进（state-of-the-art）性能。
引用
@article{arxiv.2403.04149,
title = {MAP: MAsk-Pruning for Source-Free Model Intellectual Property Protection},
author = {Boyang Peng and Sanqing Qu and Yong Wu and Tianpei Zou and Lianghua He and Alois Knoll and Guang Chen and changjun jiang},
journal= {arXiv preprint arXiv:2403.04149},
year = {2024}
}
备注
Accepted to CVPR 2024