Apr, 2020

神经网络清洗：从深度神经网络中移除黑匣子后门水印

PDF
TL;DR本文提出了一种神经网络 “洗涤” 算法，可以即使在对水印结构没有先前知识的情况下，从神经网络中移除黑盒后门水印，有效消除了现有防御和版权保护机制使用的水印，并证明现有的后门水印不足以达到其声称的要求。
发现论文，激发创造
  • 关于基于后门的深度神经网络数字水印的鲁棒性

    本论文研究了深度神经网络的数字水印技术并提出了黑盒和白盒的攻击方法，证明了该水印方案的不安全性，并指出需要一些其他技术来保护免受攻击。

    Jun, 2019

  • 将弱点转化为优势：通过后门方式对深度神经网络加入水印

    该研究提出了一种黑匣子形式的深度神经网络水印方案，该方案适用于一般的分类任务，并可以轻松与当前的学习算法相结合。研究表明，这样的水印对于模型的主要任务没有明显的影响，并且评估了该提议的鲁棒性，以抵御广泛的实际攻击。

    Feb, 2018

  • 针对深度神经网络水印技术的攻击：以逃避攻击为例

    本研究关注深度神经网络的水印方案的稳健性和可靠性，发现恶意对手即使在水印难以删除的情况下，仍然可以逃避合法所有者的验证，从而避免了模型被盗的可能性。

    Sep, 2018

  • 有限数据下消除神经网络中基于后门的水印

    本文介绍了一种基于小样本数据的去水印方法，使用数据增强和特征空间中正常和扰动数据的分布对齐相结合，有效地去除深度模型中的水印，并不影响深度模型性能。

    Aug, 2020

  • 深度神经网络的数字水印技术

    本文提出了一种深度神经网络数字水印技术，可用于深度神经网络的所有权授权。我们定义了嵌入深度神经网络数字水印的要求、嵌入情况和攻击类型，并提出了一种嵌入参数规则器的通用框架，最后通过实验证明我们的框架可以在深度神经网络的训练中嵌入数字水印，并在精调和参数修剪后保留所有权编码。

    Feb, 2018

  • 使用干净标签后门水印保护公共数据集

    本研究提出了一种基于后门的数字水印方法，可保护公开可用的数据集免受非法使用，使用仅占数据集样本极小比例的水印样本，且不影响原有任务性能，提高了数据保护的隐蔽性和有效性。

    Mar, 2023

  • 非定向后门水印：迈向无害和隐密的数据集版权保护

    通过引入非目标型背门水印方案，该研究探讨了数据集所有权的验证问题，并在多个数据集上验证了其方法的有效性和鲁棒性。

    Sep, 2022

  • 微调不够用：一种简单而有效的用于 DNN 模型去水印的攻击方法

    本文提出了一种新颖的水印去除攻击方法，能够有效和盲目地破坏水印模型对水印样本的记忆，实现了水印去除，并且提出了一种轻量级的微调策略，以提升模型性能和现有水印的鲁棒性。

    Sep, 2020

  • 基于后门水印技术的数据集保护中的黑匣子所有权验证

    本文基于深度学习和神经网络的高效和有效性，提出了一种基于后门水印的数据集保护模式，其中数据集水印包括数据集水印和数据集验证，实验证明了该方法的有效性。

    Aug, 2022

  • 基于远程神经网络水印的对抗性边界拼接

    研究深度学习模型的水印技术，提出了一种零比特水印算法使用反对抗模型样本进行标记，可在保护模型性能损失较小的情况下使用少量查询轻松提取水印，并应用于 MNIST 数字识别任务的三种神经网络中。

    Nov, 2017