ECCVSep, 2021

反神经元水印：保护个人数据免受未经授权的神经网络侵害

PDF
TL;DR本文介绍一种通过水印技术保护用户数据（图像）在神经网络训练中的未经授权使用的方法，重点阐述了在深度学习环境中，如何通过专业线性颜色变换，将水印印记到神经网络分类器中，以便第三方仲裁者可以验证用户数据是否被未经授权地使用，进而保护用户数据的所有权。
发现论文，激发创造
  • 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

  • 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

  • 神经网络清洗：从深度神经网络中移除黑匣子后门水印

    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。

    Apr, 2020

  • 图像处理网络的模型水印技术

    基于空间隐形水印技术，提出了一种图像处理模型的水印框架，防止模型权益被侵犯。实验证明，该水印技术可抵抗不同网络结构和目标函数训练出的替代模型。

    Feb, 2020

  • 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

  • 神经网络的概率鲁棒性水印技术

    我们介绍了一种新颖的基于触发集的水印技术，该方法对功能盗取攻击表现出强韧性，特别是涉及提取和精炼的攻击。我们的方法不需要额外的模型训练，并且可以应用于任何模型架构。通过计算可在源模型和代理模型集之间传输的触发集，我们展示了如果集合可传输的概率相当高，它可以有效用于盗取模型的所有权验证。我们在多个基准测试上评估了我们的方法，并展示了在所有考虑的实验设置中，我们的方法优于当前最先进的水印技术。

    Jan, 2024

  • 利用指数加权的神经网络鲁棒性水印

    本研究提出了一种新的数字水印方法（指数加权法），以解决神经网络模型在预测性能不受影响的情况下，在未经授权的服务提供商（如模型修改和查询修改）的恶意企图下高效验证水印。

    Jan, 2019

  • ROSE: 一种强健和安全的 DNN 水印技术

    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

  • 一种基于深度神经网络的自动、高效和健壮的图像水印方案

    本文提出了一种基于深度学习神经网络的鲁棒盲水印方案，该方案实现了自适应图像水印算法，无需人工干预和注释，并且不需要事先了解敌对攻击的有关信息，实验证明了该方案的优越性。

    Jul, 2020

  • 具有随机平滑的认证神经网络水印

    本文提出了一种可验证的数字水印方法，使用随机平滑技术，保证水印无法被移除，同时与以前的方法相比具有更强的鲁棒性。

    Jul, 2022