基于池化成员推断的深度神经网络鲁棒无损指纹标识
密码学与安全
2022-11-02 v2 人工智能
计算机视觉与模式识别
摘要
深度神经网络（DNNs）已在诸多应用领域取得巨大成功，并给我们的社会带来了深远影响。然而，这也引发了新的安全问题，其中如何保护DNNs的知识产权（IP）免受侵权是至关重要却又极具挑战性的课题之一。为应对该问题，近期研究聚焦于通过数字水印实现DNNs的IP保护，即直接或间接调整网络参数，将来源信息和/或认证数据嵌入DNN模型。然而，调整网络参数不可避免地会扭曲DNN，因此无论性能退化程度如何，都必然损害DNN模型在原始任务上的性能。这促使本文作者提出一种称为池化成员推断（PMI）的新技术，以保护DNN模型的IP。所提PMI既不改变给定DNN模型的网络参数，也不使用一系列精心构造的触发样本对DNN模型进行微调。相反，它保持原始DNN模型不变，但能通过推断多个小数据集中哪一个曾用于训练目标DNN模型来确定其所有权，这与以往方法不同，并在实践中具有显著潜力。实验也证明了本工作的优越性与适用性。
引用
@article{arxiv.2209.04113,
title = {Robust and Lossless Fingerprinting of Deep Neural Networks via Pooled Membership Inference},
author = {Hanzhou Wu},
journal= {arXiv preprint arXiv:2209.04113},
year = {2022}
}
备注
https://scholar.google.com/citations?user=IdiF7M0AAAAJ&hl=en