ترجمه فارسی مقاله FreeMark: یک واترمارک غیر تهاجمی جعبه سفید برای شبکه های عصبی عمیق

چکیده

Deep neural networks (DNNs) have achieved significant success in real-world applications. However, safeguarding their intellectual property (IP) remains extremely challenging. Existing DNN watermarking for IP protection often require modifying DNN models, which reduces model performance and limits their practicality. This paper introduces FreeMark, a novel DNN watermarking framework that leverages cryptographic principles without altering the original host DNN model, thereby avoiding any reduction in model performance. Unlike traditional DNN watermarking methods, FreeMark innovatively generates secret keys from a pre-generated watermark vector and the host model using gradient descent. These secret keys, used to extract watermark from the model’s activation values, are securely stored with a trusted third party, enabling reliable watermark extraction from suspect models. Extensive experiments demonstrate that FreeMark effectively resists various watermark removal attacks while maintaining high watermark capacity.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی عمیق (DNNS) در برنامه های دنیای واقعی به موفقیت قابل توجهی رسیده اند.با این حال ، حفظ مالکیت معنوی آنها (IP) بسیار چالش برانگیز است.علامت گذاری DNN موجود برای محافظت از IP اغلب به اصلاح مدل های DNN نیاز دارد ، که عملکرد مدل را کاهش می دهد و عملی آنها را محدود می کند.در این مقاله Freemark ، یک چارچوب جدید علامت گذاری DNN DNN که از اصول رمزنگاری شده بدون تغییر مدل اصلی DNN میزبان استفاده می کند ، معرفی می شود و از این طریق از کاهش عملکرد مدل جلوگیری می کند.بر خلاف روشهای سنتی علامت گذاری به DNN ، Freemark به طور نوآموزی کلیدهای مخفی را از یک وکتور وکتور از قبل تولید شده و مدل میزبان با استفاده از نزول شیب تولید می کند.این کلیدهای مخفی ، که برای استخراج واتارک از مقادیر فعال سازی مدل استفاده می شوند ، به طور ایمن با شخص ثالث قابل اعتماد ذخیره می شوند و باعث می شود استخراج واترم مارک قابل اعتماد از مدل های مظنون باشد.آزمایش های گسترده نشان می دهد که Freemark به طور موثری در حالی که ظرفیت علامت گذاری بالایی را حفظ می کند ، در برابر حملات مختلف حذف علامت گذاری در برابر حملات مختلف استفاده می کند.