CVPRJan, 2022

无法窃取？那就对抗窃取！针对图像编码器的对比窃取攻击

PDF
TL;DR本文提出 Cont-Steal 对无监督编码器的知识产权保护措施，实现对训练后的编码器的复制效果，旨在引起人们对自我监督学习技术知识产权保护的重视。
self-supervised learningimage representationmodel stealing attackscontrastive learningintellectual property protection
发现论文，激发创造
  • StolenEncoder 自监督学习中的预训练编码器盗窃

    本文提出了一种名为 StolenEncoder 的攻击方法，通过该方法可以以比从头开始训练更短的时间和资源窃取目标编码器，本文还探究了三种抵御此攻击的方法。

    Jan, 2022

  • 自监督模型的数据集推理

    研究了使用私有训练集对抗模型盗窃的方法， 自监督模型在数据集上的推断是保护这些模型的有效方法，同时该方法提出了衡量被盗模型仿真度的方法。

    Sep, 2022

  • PoisonedEncoder: 对对比学习的未标记预训练数据进行污染

    本文提出一种数据污染攻击 ——PoisonedEncoder，该攻击通过在无标签的预训练数据中注入精心制作的污染输入，为多目标下游任务构建基于受攻击者选择的中毒编码器的下游分类器，使得这些分类器将受攻击者选择的任意干净输入分类为受攻击者选择的任意类别，同时我们提出了一种针对对比度学习的方法来近似求解该数据污染攻击问题，并评估了五种针对 PoisonedEncoder 的防御策略。

    May, 2022

  • RoSteALS: 使用自编码器潜码空间的鲁棒隐写术

    提出 RoSteALS 一种轻量级的隐写术技术，使用预训练自编码器来解放载荷嵌入，并且在三个基准上具有完美的秘密恢复性能和可比较的图像质量。

    Apr, 2023

  • 窃取隐形：通过对抗样本和时间侧信道揭示预训练的卷积神经网络模型

    基于对对抗性图像分类模式的观察，我们提出一种用于盗取模型的方法，结合时间侧信道和对抗性图像分类，以指纹识别多个著名的卷积神经网络和 Vision Transformer 架构，该方法可在减少查询次数的同时保持高准确率。

    Feb, 2024

  • BadEncoder: 自监督学习中的预训练编码器后门攻击

    本研究研究自监督学习中的后门攻击，提出了 BadEncoder，它将后门注入预训练的图像编码器中，同时保留了下游分类器的准确性。对不同数据集的实验结果表明，这种攻击方法具有高攻击成功率，而常规的防御方法并不能有效防御。

    Aug, 2021

  • 卷积神经网络模型窃取攻击的高效防御

    通过引入一种启发式方法来扰动输出概率，我们提出了一种简单而有效的防御措施，可轻松集成到模型中，不需要额外的训练，并且对模型性能影响小，在防御三种最先进的盗窃攻击方面表现出色，对于针对边缘设备的量化卷积神经网络同样有效。

    Sep, 2023

  • 通过对比学习增强领域任意图像风格转移

    本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

    May, 2022

  • 用单个查询窃取图像到图像转换模型

    通过简单蒸馏，使用仅一个小尺寸的查询图像即可窃取很多基于图像转换的模型，包括去噪、去模糊、去雨点、超分辨率和生物图像转换。

    Jun, 2024

  • 通过对抗训练学习隐私保护编码

    本研究提出一种框架，使用自然对抗优化的方法，通过训练编码器与私密属性分类器作为深度神经网络，在维护实用性的同时，抑制隐私属性的推理，本文的关键贡献是提出了一种稳定且收敛的优化方法，使得分类器不能够准确地预测私密属性，实验结果表明该方法能够对实际场景中的高维编码实现隐私保护。

    Feb, 2018