RobWE：面向个性化联邦学习模型所有权保护的鲁棒水印嵌入
密码学与安全
2024-03-01 v1 人工智能
摘要
将水印嵌入模型已被广泛用于保护联邦学习（FL）中的模型所有权。然而，现有方法不足以保护个性化FL（PFL）中客户端获得的个性化模型的所有权。这是因为PFL中全局模型的聚合导致客户端私有水印的冲突。此外，恶意客户端可能篡改嵌入的水印以促进模型泄露并逃避责任。本文提出了一种鲁棒的水印嵌入方案，名为RobWE，用于保护PFL中个性化模型的所有权。我们首先将个性化模型的水印嵌入解耦为两部分：头部层嵌入和表示层嵌入。头部层属于客户端的私有部分，不参与模型聚合，而表示层是用于聚合的共享部分。对于表示层嵌入，我们采用水印切片嵌入操作，避免了水印嵌入冲突。此外，我们设计了一种恶意水印检测方案，使服务器能够在聚合本地模型之前验证水印的正确性。我们对RobWE进行了详尽的实验评估。结果表明，在保真度、可靠性和鲁棒性方面，RobWE显著优于FL中最先进的水印嵌入方案。
引用
@article{arxiv.2402.19054,
title = {RobWE: Robust Watermark Embedding for Personalized Federated Learning Model Ownership Protection},
author = {Yang Xu and Yunlin Tan and Cheng Zhang and Kai Chi and Peng Sun and Wenyuan Yang and Ju Ren and Hongbo Jiang and Yaoxue Zhang},
journal= {arXiv preprint arXiv:2402.19054},
year = {2024}
}