基于后门水印技术的数据集保护中的黑匣子所有权验证

Aug, 2022

基于后门水印技术的数据集保护中的黑匣子所有权验证

Black-box Ownership Verification for Dataset Protection via Backdoor Watermarking

Yiming Li, Mingyan Zhu, Xue Yang, Yong Jiang, Shu-Tao Xia

TL;DR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。

Abstract

deep learning, especially deep neural networks (DNNs), has been widely and successfully adopted in many critical applications for its high effectiveness and efficiency. The rapid development of DNNs has benefited

deep learning datasets neural networks backdoor watermarking dataset verification

发现论文，激发创造

基于后门水印技术的开源数据集保护

本文提出了一种基于后门嵌入的数据集水印方法，通过数据集水印和数据集验证两个主要流程保护开源的图像分类数据集，验证了该方法的有效性。

Oct, 2020

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

领域水印：高效而无害的数据集版权保护近在眼前

设计了一种基于 DNNs 的领域水印保护方法，通过域生成及水印验证的方法实现对开源数据集版权的保护。

Oct, 2023

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

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

一个基于盲水印的框架来保护 DNN 知识产权：如何证明你的模型属于你

本研究提出了一种基于盲水印的知识产权保护（IPP）框架，通过将特定标签赋予普通样本并将其与独占标志组合生成水印来保护深度神经网络模型的知识产权，并成功验证了其安全性、可行性和鲁棒性，与创建者身份建立了明确的联系，有效应对了逃避攻击和恶意主张的问题。

Mar, 2019

提升模型鲁棒性：减少参数弱点的水印

深度神经网络的水印技术存在被移除的漏洞，本文通过研究参数空间，提出了一种寻找并恢复水印行为的强化模型水印技术，实验证明该方法提高了模型水印技术对参数变化和多种移除攻击的鲁棒性。

Sep, 2023

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

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

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