Feb, 2024

PreGIP: 图神经网络的预训练水印技术，用于深度知识产权保护

PDF
TL;DR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。
发现论文，激发创造
  • GENIE：用于链接预测的图神经网络水印技术

    使用一种名为 GENIE 的水印方案针对图形神经网络（GNN）的链接预测任务进行了研究，该方案在多个模型架构和真实世界数据集上进行了广泛评估，并证明了抵御多种水印去除技术和模型提取攻击的鲁棒性，同时还经过了所有权盗版攻击的验证。

    Jun, 2024

  • 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

  • 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

  • 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

  • GPT-GNN：图神经网络的生成预训练

    本文介绍了一种名为 GPT-GNN 的框架，用于解决 Graph Neural Networks 训练问题，通过预训练一个能够自监督地学习到结构和语义属性的 GNN 模型，然后将其传输到 Downstream Tasks 中，从而显著提高了性能。

    Jun, 2020

  • 神经形态脑的数字水印技术：脉冲神经网络的知识产权保护

    该研究调查适应了两种主要的水印技术，即基于指纹和基于后门的机制，以保护专有的脉冲神经网络结构，对其保真度、抵御覆写威胁的能力和抗压缩攻击的抵抗力进行了评估，并与对应的人工神经网络进行了比较。这项研究为开发针对脉冲神经网络特殊动态的神经形态感知型知识产权保护策略奠定了基础。

    May, 2024

  • 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

  • SSLGuard：自我监督学习预训练编码器的水印方案

    本文提出了 SSLGuard—— 首个用于对预训练编码器进行水印的方案，并使用影子训练技术来保护水印免受模型盗窃等攻击。实验证明，SSLGuard 能有效地进行水印注入和验证，并对模型盗窃及其他攻击具有鲁棒性。

    Jan, 2022

  • 预训练图神经网络的策略

    本文提出了一种针对图数据集的预训练策略和自监督方法，通过在节点和整个图级别上预训练表达力强的 GNN，以便 GNN 可以同时学习有用的局部和全局表示，并在多个图分类数据集上进行系统研究，发现我们的策略可避免负面转移并显着提高下游任务的泛化性能，最终达到了在分子性质预测和蛋白质功能预测方面的最先进性能。

    May, 2019

  • 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