基于激活扰动对 Kolmogorov-Arnold 网络进行水印化：面向新兴网络化应用
机器学习
2025-08-12 v1
摘要
随着保护机器学习知识产权需求的增加，水印技术获得了显著关注。尽管现有水印方法在传统深度神经网络上Demonstrated了有效性，但往往难以适应具有可学习激活函数的新型架构——Kolmogorov-Arnold 网络（KAN）。KAN 在建模网络结构数据中的复杂关系方面具有巨大潜力。然而，其独特设计也为水印化带来了新挑战。因此，我们提出一种新型水印方法，离散余弦变换基的激活水印（Discrete Cosine Transform-based Activation Watermarking, DCT-AW），专为 KAN 设计。利用 KAN 的可学习激活函数，我们的方法通过扰动激活输出来嵌入水印，确保与各种任务兼容且实现任务独立。实验结果表明，DCT-AW 对模型性能影响小，对各种水印剥离攻击（包括微调、剪枝和剪枝后重新训练）具有优异的鲁棒性。
引用
@article{arxiv.2508.06676,
title = {Watermarking Kolmogorov-Arnold Networks for Emerging Networked Applications via Activation Perturbation},
author = {Chia-Hsun Lu and Guan-Jhih Wu and Ya-Chi Ho and Chih-Ya Shen},
journal= {arXiv preprint arXiv:2508.06676},
year = {2025}
}
备注
6 pages, 3 figures, 6 tables