基于多任务学习的深度神经网络安全水印

深度神经网络在许多现实应用中发挥着重要作用。经大量数据与计算资源训练后，提供服务的深度神经网络模型被赋予经济价值。将深度神经网络商业化并加以保护的一个重要前提是可靠地识别其真实作者。为实现该目标，已提出将作者身份信息嵌入网络的水印方案。然而，现有方案难以满足安全证明作者身份的所有必要要求，且大多聚焦于分类模型。为明确满足安全要求的正式定义并增加深度神经网络水印方案的适用性，我们提出一种基于多任务学习的新框架。通过将水印嵌入视为额外任务，大多数安全要求被显式公式化并通过精心设计的正则化项满足，其余由密码学组件保证。此外，提出一种去中心化验证协议以标准化所有权验证。实验结果表明，所提方案灵活、安全且鲁棒，因此是深度学习模型保护中有前景的候选方案。