CVPRMar, 2024

MAP：面向源码自由的模型知识产权保护的 MAsk-Pruning

PDF
TL;DR基于深度学习模型的知识产权保护问题，本研究提出了一种新颖的 MAsk Pruning（MAP）框架，通过冻结源模型，并学习目标特定的二进制掩模来实现未授权数据使用的防护，同时最小化对授权数据的性能降低，实验证明该方法在多种场景下达到了新的最佳性能。
deep learningintellectual propertyip protectionmask pruningmodel deployment
发现论文，激发创造
  • 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

  • 针对深度模型保护的护照感知归一化

    本文提出了一种新的具有护照感知能力的规范化公式，可用于深度学习网络的知识产权（IP）保护，通过对公私分离双重机制的应用，在不影响原始目标网络结构的情况下，实现对深度学习模型的知识产权保护，与传统防御方法相比具有更好的安全可靠性。

    Oct, 2020

  • 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

  • 选择性推动生产力：提高迁移学习效率的高效数据集修剪

    在这项工作中，我们旨在解决传输学习的数据集剪枝问题，即如何通过识别和删除冗余的训练样本，提高预训练效率并在下游目标任务中达到无损调优准确度。我们建立了统一的观点，将数据集剪枝与传输学习相结合，并发现现有的数据集剪枝方法不适用于传输学习范式。我们提出了两种新的数据集剪枝方法，即标签映射和特征映射，分别针对监督预训练和自我监督预训练设置，通过重新审视源 - 目标领域映射的视角重新定义了数据集剪枝问题。此外，我们还证明了我们的方法在许多传输学习任务上的有效性。我们展示了源数据类别可以剪枝达到 40% 至 80%，而不牺牲下游性能，在预训练阶段实现了显著的 2 至 5 倍加速。此外，我们的方法具有广泛的适用性，可以改进其他计算密集型的传输学习技术，例如对抗性预训练。

    Oct, 2023

  • 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

  • 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

  • G-MAP: 面向领域任务的通用记忆增强预训练语言模型

    提出了一种 General Memory Augmented Pre-trained Language Model (G-MAP) 框架，通过从未失去通用知识的冻结通用 PLM 构建内存表示来增广专业领域 PLM，并探索不同的增广策略来将其自适应地融合到专业领域 PLM 中，证明了 G-MAP 对各种类型的任务，在各种领域中可以实现 SOTA 结果。

    Dec, 2022

  • 神经网络结构修剪用于约束学习

    本研究展示了在神经网络预剪枝后将其应用到混合整数规划中可以显著提高解决过程的速度，实验结果表明，这种方法在不影响最终决策质量的情况下，能够大大缩短解决时间，解决了此前无法解决的问题实例。

    Jul, 2023

  • 只有我的模型与我的数据：一种保护模型并欺骗未经授权的黑盒模型的隐私保护方法

    通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

    Feb, 2024

  • 防止成员推断攻击：只需修剪

    通过剪枝实现减少模型存储和计算操作，防止 Deep Learning 或 Deep Neural Networks (DNNs) 的隐私泄露，提高 DNNs 的抗干扰性和准确性

    Aug, 2020