weixin_48398176的博客

原创 Turning Your Weakness Into a Strength: Watermarking Deep Neural Networks by Backdooring文献阅读

实验表明，这样的水印对模型设计的主要任务没有明显的影响，并评估了本文的方案对大量实际攻击的稳健性。由Table 6 可知，相较于基于PreTrained方法嵌入的水印，基于FromScratch方法嵌入的水印对微调的鲁棒性更强（黄线），反观基于Pretrained方法嵌入的模型，易受FTAL和RTAL这两种微调方式的攻击（绿线）。更严格的要求是，他的。为了解决这个问题，本文提出了一种在DNNs中进行水印标记的方法，目的是在不影响模型主要性能的同时，为其提供一种身份识别机制，从而保护模型的知识产权。