MOVE：基于嵌入外部特征的有效且无损所有权验证

当前，深度神经网络（DNNs）被广泛应用于不同应用。尽管具有商业价值，训练一个性能良好的 DNN 消耗大量资源。因此，训练好的模型对其所有者而言是宝贵的知识产权。然而，近期研究揭示了模型窃取威胁，攻击者即便仅能查询模型，也可获得受害者模型的功能相似副本。本文提出一种有效且无损的模型所有权验证（MOVE）以同时防御不同类型模型窃取，且不引入新安全风险。总体上，我们通过验证可疑模型是否包含防御者指定外部特征的知识来进行所有权验证。具体而言，我们利用风格迁移修改少量训练样本以嵌入外部特征，随后训练一个元分类器来判断某模型是否从受害者处窃取。该方法源于如下认识：窃取模型应包含受害者模型所学特征的知识。特别地，我们在白盒与黑盒设定下开发了 MOVE 方法，并分析其理论基础以提供全面模型保护。在基准数据集上的大量实验验证了方法的有效性及对潜在自适应攻击的抵抗能力。复现我们方法主要实验的代码见 https://github.com/THUYimingLi/MOVE。