无需反向传播的端侧视频 OOD 检测安全方法
密码学与安全
2025-03-18 v2 人工智能
摘要
分布外 (OOD) 检测对于确保机器学习模型在自动驾驶和医疗诊断等安全攸关应用中的可靠性至关重要。尽管将个性化 OOD 检测直接部署在边缘设备上十分理想，但由于模型尺寸大且端侧训练在计算上不可行，这仍具挑战性。联邦学习部分解决了这一问题，但仍需梯度计算和反向传播，超出了许多边缘设备的能力。为克服这些挑战，我们提出了 SecDOOD，一种安全的云-端协作框架，无需端侧反向传播即可实现高效的端侧 OOD 检测。SecDOOD 利用云端资源进行模型训练，同时通过将敏感信息保留在设备上以确保用户数据隐私。SecDOOD 的核心是一个基于 HyperNetwork 的个性化参数生成模块，该模块通过动态生成局部权重调整，将云端训练的模型适配到特定设备的分布上，从而无需局部微调即可有效结合中心与局部信息。此外，我们的动态特征采样与加密策略选择性地仅对信息量最大的特征通道进行加密，在不损害检测性能的情况下大幅减少了加密开销。在多个数据集和 OOD 场景下的广泛实验表明，SecDOOD 取得了与完全微调模型相当的性能，实现了在资源受限边缘设备上的安全、高效且个性化的 OOD 检测。为增强可访问性与可复现性，我们的代码已公开发布于 https://github.com/Dystopians/SecDOOD。
引用
@article{arxiv.2503.06166,
title = {Secure On-Device Video OOD Detection Without Backpropagation},
author = {Shawn Li and Peilin Cai and Yuxiao Zhou and Zhiyu Ni and Renjie Liang and You Qin and Yi Nian and Zhengzhong Tu and Xiyang Hu and Yue Zhao},
journal= {arXiv preprint arXiv:2503.06166},
year = {2025}
}