CVPRFeb, 2021

保护生成对抗网络知识产权免受歧义攻击

PDF
TL;DR本文提出了一个黑盒和白盒设置的完整保护框架，对 GAN 进行知识产权保护，以抵御恶意的复制、分享和重新分发。实证分析表明，该方法不会影响原始 GAN 的性能，同时能够抵御嵌入式水印的删除和模糊攻击。
machine learningintellectual property rightgenerative adversarial networksipr protectionwatermark
发现论文，激发创造
  • 生成对抗网络的所有权保护

    提出了一种基于目标模型及其盗版模型共同特征的新型所有权保护方法，无需重新训练目标模型，能够有效抵御现有模型提取攻击和自适应攻击，并在实验中取得了最佳保护效果。

    Jun, 2023

  • 递归神经网络知识产权保护的一种极其简单的方法

    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

  • 生成型人工智能中数据的知识产权保护方法评述

    大型生成型人工智能（GAI）模型可以生成逐渐无法区分是否人工生成的文本、图片、声音和其他形式的媒体。本文研究了训练数据的知识产权问题，重点关注生成模型的特性，探讨可能导致潜在知识产权侵犯的滥用行为，并提出了一个分类体系，对 GAI 中保护数据免受知识产权侵犯的技术解决方案进行系统评述。

    Apr, 2024

  • 深度知识产权：一项调查

    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

  • Defense-GAN: 使用生成模型保护分类器免受对抗攻击

    Defense-GAN 使用生成模型来抵御深度神经网络受到的对抗性攻击，并不需要修改分类器结构或者训练过程，可以适用于任何分类模型，并且不需要了解生成对抗性示例的过程。在不同的攻击方法下，实验证明 Defense-GAN 对抗性攻击防御策略具有一致的有效性，并可以提高现有的防御策略。

    May, 2018

  • 我的艺术我的选择：对抗无序人工智能的防护

    利用 My Art My Choice (MAMC) 方法，通过 UNet-based 生成器，对抗扩散模型，保护版权图片不受非法使用。

    Sep, 2023

  • 生成对抗网络中的泛化：来自隐私保护的新视角

    理论上我们证明了使用差分隐私算法来训练生成对抗网络（GAN）不会过度拟合，我们的新的隐私保护视角可以重新解释贝叶斯 GAN 等最新工作。通过各种成员攻击评估 GAN 模型的信息泄露，结果表明以前的 Lipschitz 规则技术不仅能够减少泛化间隙，而且还能减轻训练数据集的信息泄露。

    Aug, 2019

  • 监督式 GAN 数字水印技术的知识产权保护

    本文提出了一种基于 CNN 解码块插入生成器输出的数字水印算法，对生成对抗网络模型进行加密和保护。实验结果表明，该算法可将无形水印嵌入生成的图像，并在后期进行身份验证时检测到水印的存在，并且在 JPEG 压缩、添加噪声、模糊和颜色转换等后处理下，水印具有良好的抗干扰能力。

    Sep, 2022

  • 有限训练数据下针对黑盒 API 的生成对抗网络攻击

    本文研究了机器学习系统 API 接口的安全性，介绍了探索性攻击和生成对抗网络等技术，并提出了一种具有实际意义的方法，通过生成合成数据扩展样本数据来提高模型性能，从而使敌对机器学习更加实用。

    Jan, 2019

  • AI-GAN：攻击启发的对抗样本生成

    本文提出了一种新的框架 Attack-Inspired GAN，它可以通过联合训练的生成器、鉴别器和攻击器，以更有效的方式生成攻击性畸变，从而实现对图像分类任务的攻击成功率提高和生成时间的减少。

    Feb, 2020