切片还是整块馅饼？面向 AI 模型的实用性控制
计算机视觉与模式识别
2025-08-12 v1
摘要
训练深度神经网络 (DNN) 已成为日益昂贵的任务，需大量标注数据、强大的计算资源以及大量调参才能在多样化场景中达到最佳性能。虽然预训练模型提供了有用的起点，但为满足具体用户需求往往需要大量定制化工作和基础设施开销。当单个模型需支持性能要求差异大的多种应用时，这一挑战尤为突出。传统做法是为不同需求训练多个模型版本，效率低下且维护困难。为此，我们提出 NNObfuscator—a 一种新型实用性控制机制，使 AI 模型能根据预定义条件动态修改其性能。不同于需为每个用户准备独立模型的传统方法，NNObfuscator 允许单个模型实时适配，为用户提供受控的多层次性能访问。该机制使模型所有者可设置分层访问方案，免费用户获得基准性能，付费用户则获增强功能。该方法改善资源分配，减少不必要计算，支持 AI 部署中的可持续商业模式。我们在图像分类、语义分割和文本到图像生成等多个任务上进行实验，采用 ResNet、DeepLab、VGG16、FCN 和 Stable Diffusion 等成熟模型。实验结果表明，NNObfuscator 成功实现了模型的适应性，单个训练模型即可处理广泛任务，无需大量修改。
引用
@article{arxiv.2508.06551,
title = {Slice or the Whole Pie? Utility Control for AI Models},
author = {Ye Tao},
journal= {arXiv preprint arXiv:2508.06551},
year = {2025}
}