本文综述了深度知识产权保护的最新进展，包括挑战 / 威胁，水印技术，指纹技术，评估指标和性能等方面，并为未来的研究提出了有希望的方向。

Apr, 2023

通过限制模型在特定硬件上的使用，防止未经授权的模型使用，本文研究了机器学习特定机制的可行性，展示了锁定机制的可行性，并证明锁定具有可忽略的工作和延迟开销，同时显著限制了在未授权硬件上使用模型的可行性。

May, 2024

本文提出了一种使用分块像素置换和秘密密钥作为预处理技术来保护模型的方法，实验结果表明，当密钥正确时，保护模型的性能接近于非受保护模型，而当给出错误的密钥时，准确度会严重下降，但所提出的模型保护在不仅抵御暴力攻击和微调攻击方面具有鲁棒性，同时还保持几乎与使用非受保护模型相同的性能精度。

Aug, 2020

本文提出了一种基于神经元级别的轻量级、实用的边缘设备模型保护方法，即 EdgePro，该方法使用一些特定神经元作为授权神经元，并将它们的激活值设置为锁定值，并在训练过程中将神经元输出缩放为密码，从而保护模型安全，实现正确的解密需要满足密码匹配的条件。实验结果表明，EdgePro 的推理时间增加只有先进方法的 60％，而精度损失小于 1％。

Mar, 2023

深度学习模型的知识产权保护引发了越来越多的关注。本文着重介绍了一种名为主动版权保护的新型知识产权保护方法，对 DNN 模型的主动授权控制和用户身份管理进行了研究和分析，并提出了潜在的攻击方式以及该领域面临的挑战和未来方向。此综述对于系统介绍主动 DNN 版权保护领域是有帮助的，并为后续工作提供了参考和基础。

Oct, 2023

本研究提出了一种名为 “可学习性锁” 的新概念来控制模型在使用特定密钥的训练集时的可学习性，并提出了基于类的扰动方法来防止数据样本被机器学习模型使用，从而提高数据隐私保护。

Feb, 2022

本文提出了一种以门控概念为基础的实用方法来保护循环神经网络 (RNN) 的知识产权，通过设计模型训练方案的方式来确保受保护的 RNN 模型只有在提供了真实密钥的情况下能够保持其原始性能，并在各种 RNN 变体的白盒和黑盒保护方案中展示了我们的保护方案的强韧性和有效性。

Oct, 2022

论文提出了深度学习模型模糊化的方法，通过模拟卷积神经网络的特征提取器使攻击者无法盗用模型设计，并采用递归模拟方法和联合训练方法训练模拟网络。最终得到的模糊化模型不会损失精度，能有效地保护深度学习模型的关键结构免遭攻击。

Jun, 2018

通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

Feb, 2024

该研究提出了一种轻量级、强健、安全的黑盒 DNN 数字水印协议，在训练期间注入任务特定的键图像 - 标签对，并证明该模型的所有权，从而提供保护同时保持适当的安全性和强健性。

Jun, 2022