ACLOct, 2022

递归神经网络知识产权保护的一种极其简单的方法

PDF
TL;DR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。
deep learningnatural language processingintellectual property rightsgatekeeper conceptrnn variants
发现论文，激发创造
  • 保护生成对抗网络知识产权免受歧义攻击

    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。

    Feb, 2021

  • 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

  • 保护、展示、关注和告知：使用所有权保护增强图像字幕模型

    本研究提出了两种不同的嵌入方案，以保护图像字幕模型的知识产权，并证明所提出的方法不会影响原始图像字幕的性能

    Aug, 2020

  • 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

  • 买卖环境中的模型版权保护

    使用一种输入敏感的神经网络 (ISNN) 的版权保护方案，通过在训练阶段为干净图像添加特定扰动并将其标记为合法输入，用来保护深度神经网络 (DNN) 模型不受非信任环境中的泄露，实验证明该方案有效、合法且安全。

    Dec, 2023

  • EncryIP: 模型知识产权保护的实用加密框架

    在快速发展的数字经济中，保护与数字产品相关的知识产权变得越来越重要。本文介绍了一种名为 EncryIP 的实用基于加密的框架，它将公钥加密方案无缝集成到模型学习过程中。这种方法使得受保护的模型能够产生随机和混淆的标签，确保只有具备正确秘钥的个人（即授权用户）能够解密和揭示真实标签。重要的是，所提出的框架不仅能够将受保护的模型提供给多个授权用户，而无需重复使用具备知识产权保护方法的原始 ML 模型进行训练，还能在不损害准确性的前提下保持模型的性能。与基于水印、触发器和护照等现有方法相比，EncryIP 在训练受保护模型和有效地检测非授权传播的能力方面表现出优越的效果。

    Dec, 2023

  • IPGuard: 通过指纹分类边界保护深度神经网络的知识产权

    本文提出了 IPGuard 方法，它通过数据指纹来保护深度神经网络分类器的知识产权，并且不会牺牲分类器的准确性，相比于现有的数字水印技术具有更好的保护效果。

    Oct, 2019

  • 机器学习模型适当的知识产权保护机制鉴别：水印、指纹、模型访问及攻击的系统化

    对机器学习中的知识产权保护进行了系统研究，建立威胁模型，将攻击和防御措施分类在一个统一且综合的分类法中，从而弥合机器学习和安全社区之间的研究。

    Apr, 2023

  • PreGIP: 图神经网络的预训练水印技术，用于深度知识产权保护

    为了保护知识产权并保持嵌入空间的高质量，本文提出了一种名为 PreGIP 的框架，通过在预训练的 GNN 编码器中引入无需任务的水印损失函数进行水印标记，并采用抗微调的水印注入方法，理论分析和广泛实验表明了 PreGIP 在知识产权保护和维持下游任务高性能方面的有效性。

    Feb, 2024

  • Deep-Lock：深度神经网络安全授权

    本文提出了一种利用 S - 盒进行加密的轻量级密钥锁定方案 Deep-Lock，该方案可防止深度神经网络（DNN）模型的未授权使用和知识产权盗窃，并且不需要对 DNN 模型的结构和训练进行调整，具有较强的保密性和抗篡改能力。

    Aug, 2020