不可迁移学习：一种用于模型所有权验证与适用性授权的全新方法
机器学习
2022-03-01 v2 机器学习
摘要
随着人工智能即服务（AIaaS）的普及，将训练良好的模型作为知识产权保护变得愈发重要。常见的保护方法有两种：所有权验证和使用授权。在本文中，我们提出不可迁移学习（NTL），一种捕获所学模型中专有数据表示并将模型泛化能力限制于特定领域的新方法。该方法为模型验证和授权均提供了有效解决方案。具体而言：1）对于所有权验证，水印技术常被使用但往往易受复杂水印移除方法的攻击。相比之下，我们基于NTL的所有权验证对state-of-the-art水印移除方法提供了鲁棒抵抗，如在使用digits、CIFAR10与STL10以及VisDA数据集的6种移除方法的大量实验所示。2）对于使用授权，先前方案侧重于授权特定用户访问模型，但被授权用户仍可将模型无限制地用于任何数据。我们的基于NTL的授权方法转而提供以数据为中心的保护，我们称之为适用性授权，通过显著降级模型在未经授权数据上的性能来实现。其有效性也通过上述数据集上的实验得到展示。
引用
@article{arxiv.2106.06916,
title = {Non-Transferable Learning: A New Approach for Model Ownership Verification and Applicability Authorization},
author = {Lixu Wang and Shichao Xu and Ruiqi Xu and Xiao Wang and Qi Zhu},
journal= {arXiv preprint arXiv:2106.06916},
year = {2022}
}
备注
ICLR 2022 Oral Paper