用于分布外检测的水印技术
机器学习
2022-10-28 v1 多媒体
摘要
分布外检测旨在基于从训练良好的深度模型中提取的表示来识别分布外数据。然而，现有方法在很大程度上忽略了深度模型的可重编程特性，因此可能未能充分释放其内在潜力：在不修改训练良好的深度模型参数的情况下，我们可以通过数据层面的操作（例如，向数据添加特定的特征扰动）将该模型重编程用于新的目的。这一特性启发我们将一个分类模型重编程为擅长分布外检测（一项新任务），因此本文提出一种名为水印的通用方法。具体而言，我们学习一个统一的模式，将其叠加到原始数据的特征上，模型在水印处理后的检测能力得到大幅提升。大量实验验证了水印的有效性，证明了深度模型的可重编程特性在分布外检测中的重要性。
引用
@article{arxiv.2210.15198,
title = {Watermarking for Out-of-distribution Detection},
author = {Qizhou Wang and Feng Liu and Yonggang Zhang and Jing Zhang and Chen Gong and Tongliang Liu and Bo Han},
journal= {arXiv preprint arXiv:2210.15198},
year = {2022}
}