基于对抗样本-free 重用的深度学习模型版权保护

模型重用技术可以减少训练高性能深度神经网络 (DNN) 所需的资源，通过利用现有模型。然而，未经授权的重用和复制 DNN 可能导致版权侵权并造成模型所有者的经济损失。这凸显了分析 DNN 之间重用关系的必要性，并发展出保护知识产权的版权保护技术。现有的基于白盒测试的方法无法解决模型架构被改变的异构重用情况，DNN 指纹方法则严重依赖生成具有良好迁移性对抗样本，这在黑盒环境中已知具有挑战性。为弥合这一差距，我们提出了 NFARD，即基于神经元功能分析的重用检测器。NFARD 只需正常测试样本即可通过测量模型差异于新提出的模型特征描述（即神经元功能 (NF)）来检测重用关系。设计了一组 NF 基于距离度量标准，使 NFARD 可用于白盒和黑盒设置。此外，我们构思了一个线性变换方法，以构建最优投影矩阵来处理维度一致性问题，显著扩展了 NFARD 的应用范围。到目前为止，这是首个利用神经元功能而无需对抗样本的 DNN 版权保护方法。作为副产出，我们构建了一个名为 Reuse Zoo 的重用检测基准，涵盖各种实际重用技术和流行数据集。对该全面基准的广泛评估表明，NFARD 在黑盒和白盒设置中分别实现了 0.984 和 1.0 的 F1 分数，而生成测试套件的速度比以前的方法快 2 ~ 99 倍。