无模型性能退化的神经网络脆弱水印

深度神经网络易受数据投毒和后门攻击等恶意微调攻击。因此，近期研究提出了如何检测神经网络模型的恶意微调。然而，这通常会对被保护模型的性能产生负面影响。为此，我们提出一种无模型性能退化的新型神经网络脆弱水印。在水印嵌入过程中，我们训练一个具有特定损失函数和密钥的生成模型，以生成对目标分类器微调敏感的触发器。在验证过程中，我们采用带水印的分类器获取每个脆弱触发器的标签。然后，通过比较密钥与标签可检测恶意微调。在经典数据集和分类器上的实验表明，所提方法能有效检测模型恶意微调且无模型性能退化。