ترجمه فارسی مقاله WaterMAS: به حداکثر رساندن آگاهی از وضوح برای واترمارک کردن شبکه عصبی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی WaterMAS: Sharpness-Aware Maximization for Neural Network Watermarking
عنوان مقاله به فارسی WaterMAS: به حداکثر رساندن آگاهی از وضوح برای واترمارک کردن شبکه عصبی
نویسندگان Carl De Sousa Trias, Mihai Mitrea, Attilio Fiandrotti, Marco Cagnazzo, Sumanta Chaudhuri, Enzo Tartaglione
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Cryptography and Security,Multimedia,یادگیری ماشین , رمزنگاری و امنیت , چندرسانه ای ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Nowadays, deep neural networks are used for solving complex tasks in several critical applications and protecting both their integrity and intellectual property rights (IPR) has become of utmost importance. To this end, we advance WaterMAS, a substitutive, white-box neural network watermarking method that improves the trade-off among robustness, imperceptibility, and computational complexity, while making provisions for increased data payload and security. WasterMAS insertion keeps unchanged the watermarked weights while sharpening their underlying gradient space. The robustness is thus ensured by limiting the attack's strength: even small alterations of the watermarked weights would impact the model's performance. The imperceptibility is ensured by inserting the watermark during the training process. The relationship among the WaterMAS data payload, imperceptibility, and robustness properties is discussed. The secret key is represented by the positions of the weights conveying the watermark, randomly chosen through multiple layers of the model. The security is evaluated by investigating the case in which an attacker would intercept the key. The experimental validations consider 5 models and 2 tasks (VGG16, ResNet18, MobileNetV3, SwinT for CIFAR10 image classification, and DeepLabV3 for Cityscapes image segmentation) as well as 4 types of attacks (Gaussian noise addition, pruning, fine-tuning, and quantization). The code will be released open-source upon acceptance of the article.

چکیده به فارسی (ترجمه ماشینی)

امروزه از شبکه های عصبی عمیق برای حل کارهای پیچیده در چندین کاربرد مهم استفاده می شود و محافظت از یکپارچگی و حقوق مالکیت معنوی آنها (IPR) از اهمیت بالایی برخوردار است.برای این منظور ، ما Watermas را پیش می بریم ، یک روش علامت گذاری شبکه عصبی جایگزین ، جعبه سفید که باعث افزایش تجارت در بین استحکام ، عدم پذیرش و پیچیدگی محاسباتی می شود ، ضمن اینکه مقرراتی را برای افزایش بار و امنیت داده ها ایجاد می کند.درج Wasttermas در حالی که فضای شیب زیرین خود را تیز می کند ، وزن های علامت دار را بدون تغییر نگه می دارد.بنابراین استحکام با محدود کردن استحکام حمله تضمین می شود: حتی تغییرات کوچک وزنهای علامت گذاری شده بر عملکرد مدل نیز تأثیر می گذارد.عدم پذیرش با وارد کردن علامت علامت در طی فرایند آموزش تضمین می شود.رابطه بین بارگذاری داده های آبگروه ، عدم پذیرش و خاصیت استحکام مورد بحث قرار گرفته است.کلید مخفی با موقعیت وزنهای منتقل شده از علامت ، به طور تصادفی از طریق لایه های مختلف مدل انتخاب می شود.امنیت با بررسی پرونده ای که یک مهاجم کلید را رهگیری می کند ، ارزیابی می شود.اعتبار سنجی تجربی 5 مدل و 2 وظیفه (VGG16 ، RESNET18 ، MOBILENETV3 ، SWINT برای طبقه بندی تصویر CIFAR10 ، و DEEPLABV3 را برای تقسیم تصویر در شهر) و همچنین 4 نوع حمله (علاوه بر سر و صدای گاوسی ، هشدار ، تنظیم ریز و اندازه گیری) در نظر می گیرد.بشراین کد پس از پذیرش مقاله ، منبع باز منتشر می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.