期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
神经网络水印技术研究进展
被引量:
5
1
作者
张颖君
陈恺
+3 位作者
周赓
吕培卓
刘勇
黄亮
《计算机研究与发展》
EI
CSCD
北大核心
2021年第5期964-976,共13页
随着深度神经网络的推广应用,训练后的神经网络模型已经成为一种重要的资产并为用户提供服务.服务商在提供服务的同时,也更多地关注其模型的版权保护,神经网络水印技术应运而生.首先,分析水印及其基本需求,并对神经网络水印涉及的相关...
随着深度神经网络的推广应用,训练后的神经网络模型已经成为一种重要的资产并为用户提供服务.服务商在提供服务的同时,也更多地关注其模型的版权保护,神经网络水印技术应运而生.首先,分析水印及其基本需求,并对神经网络水印涉及的相关技术进行介绍;对深度神经网络水印技术进行对比,并重点对白盒和黑盒水印进行详细分析;对神经网络水印攻击技术展开对比,并按照水印攻击目标的不同,对水印鲁棒性攻击、隐蔽性攻击、安全性攻击等技术进行分类介绍;最后对未来方向与挑战进行探讨.
展开更多
关键词
数字
水印
深度
神经网络
神经网络
后门
神经网络水印
水印
攻击
下载PDF
职称材料
基于水印神经网络的可溯源DNN模型保护方法
2
作者
刘雅蕾
和红杰
+1 位作者
陈帆
刘卓华
《应用科学学报》
CAS
CSCD
北大核心
2023年第2期183-196,共14页
针对深度神经网络(deep neural networks,DNN)模型安全与版权认证的问题,提出了一种多用户溯源的水印神经网络模型,通过密钥驱动生成水印图像,将其不可见地嵌入待保护目标模型的输出图像中,实现DNN模型的知识产权保护和版权追踪。在待...
针对深度神经网络(deep neural networks,DNN)模型安全与版权认证的问题,提出了一种多用户溯源的水印神经网络模型,通过密钥驱动生成水印图像,将其不可见地嵌入待保护目标模型的输出图像中,实现DNN模型的知识产权保护和版权追踪。在待保护的DNN模型中添加一种编解码器网络实现水印的嵌入,并使用双流篡改检测网络作为判别器,解决了模型的输出图像中可能出现的水印残留问题,提升了水印嵌入过程的不可感知性,减少了对DNN模型性能的影响,增强了安全性。此外,通过本文设计的双阶段训练法针对不同用户分发不同的含水印模型,当发生版权纠纷时,使用另一个残差网络可以从输出图像中提取水印图像。实验证明,本方法分发含水印的模型效率较高,并且即使对多个用户分发了嵌入相似水印图像的DNN模型,水印神经网络依然可以成功对模型进行溯源。
展开更多
关键词
深度
神经网络
数字
水印
版权保护
水印
神经网络
图像隐写
下载PDF
职称材料
一种基于后门技术的深度强化学习水印框架
3
作者
陈瑜霖
姚志强
+3 位作者
金彪
李璇
蔡娟娟
熊金波
《福建师范大学学报(自然科学版)》
CAS
北大核心
2024年第1期96-105,共10页
深度强化学习(DRL)已经证明了它在各种复杂任务中的有效性,因其出色的性能使其商业化正在急剧加速。生成一个DRL模型需要大量的计算资源和专业知识,使得一个训练有素的DRL模型已经成为人工智能应用程序和产品的核心知识产权。基于对DRL...
深度强化学习(DRL)已经证明了它在各种复杂任务中的有效性,因其出色的性能使其商业化正在急剧加速。生成一个DRL模型需要大量的计算资源和专业知识,使得一个训练有素的DRL模型已经成为人工智能应用程序和产品的核心知识产权。基于对DRL模型的产权保护,防止非法抄袭、未经授权的分发和复制,提出一种后门技术的DRL水印框架DrlWF,并使用一个全新的评价指标水印动作实现比例来衡量水印性能。通过向训练状态中添加水印,并使用带有水印的水印状态训练模型从而实现将水印嵌入至模型中。框架中的水印嵌入操作可以通过将水印嵌入到少量的训练数据中(仅需0.025%的训练数据)和不影响性能的奖励修改来实现。实验结果证明,在标准状态下,DRL模型仍具有良好的性能;在水印状态下,DRL模型性能将急剧下降,不足原有性能的1%,且水印动作执行比例达到了99%。通过急剧下降的性能以及模型对水印状态的动作表现,即可验证模型的所有权。此外,该水印具有良好的鲁棒性,在模型微调和模型压缩下,模型依然能够识别出水印,性能急剧下降且水印动作执行比例依旧达到了99%以上,证明了该DRL水印具有良好的鲁棒性。
展开更多
关键词
深度强化学习
知识产权保护
后门攻击
神经网络水印
黑盒模型
下载PDF
职称材料
题名
神经网络水印技术研究进展
被引量:
5
1
作者
张颖君
陈恺
周赓
吕培卓
刘勇
黄亮
机构
中国科学院软件研究所可信计算与信息保障实验室
信息安全国家重点实验室(中国科学院信息工程研究所)
中国科学院大学网络空间安全学院
中国科学院大学计算机科学与技术学院
奇安信科技集团股份有限公司
出处
《计算机研究与发展》
EI
CSCD
北大核心
2021年第5期964-976,共13页
基金
国家自然科学基金重点项目(U1836211)
国家自然科学基金项目(62072448)
+2 种基金
北京市自然科学基金项目(JQ18011)
中国科学院青年创新促进会优秀会员(Y202046)
大数据协同安全国家工程实验室开放课题。
文摘
随着深度神经网络的推广应用,训练后的神经网络模型已经成为一种重要的资产并为用户提供服务.服务商在提供服务的同时,也更多地关注其模型的版权保护,神经网络水印技术应运而生.首先,分析水印及其基本需求,并对神经网络水印涉及的相关技术进行介绍;对深度神经网络水印技术进行对比,并重点对白盒和黑盒水印进行详细分析;对神经网络水印攻击技术展开对比,并按照水印攻击目标的不同,对水印鲁棒性攻击、隐蔽性攻击、安全性攻击等技术进行分类介绍;最后对未来方向与挑战进行探讨.
关键词
数字
水印
深度
神经网络
神经网络
后门
神经网络水印
水印
攻击
Keywords
digital watermark
deep neural network
neural network backdoor
neural network watermark
attacks on the watermarking
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于水印神经网络的可溯源DNN模型保护方法
2
作者
刘雅蕾
和红杰
陈帆
刘卓华
机构
西南交通大学计算机与人工智能学院
西南交通大学信息科学与技术学院
出处
《应用科学学报》
CAS
CSCD
北大核心
2023年第2期183-196,共14页
基金
国家自然科学基金(No.U1936113,No.61872303)资助。
文摘
针对深度神经网络(deep neural networks,DNN)模型安全与版权认证的问题,提出了一种多用户溯源的水印神经网络模型,通过密钥驱动生成水印图像,将其不可见地嵌入待保护目标模型的输出图像中,实现DNN模型的知识产权保护和版权追踪。在待保护的DNN模型中添加一种编解码器网络实现水印的嵌入,并使用双流篡改检测网络作为判别器,解决了模型的输出图像中可能出现的水印残留问题,提升了水印嵌入过程的不可感知性,减少了对DNN模型性能的影响,增强了安全性。此外,通过本文设计的双阶段训练法针对不同用户分发不同的含水印模型,当发生版权纠纷时,使用另一个残差网络可以从输出图像中提取水印图像。实验证明,本方法分发含水印的模型效率较高,并且即使对多个用户分发了嵌入相似水印图像的DNN模型,水印神经网络依然可以成功对模型进行溯源。
关键词
深度
神经网络
数字
水印
版权保护
水印
神经网络
图像隐写
Keywords
deep neural networks
digital watermarking
intellectual property protection
watermarking neural networks
image steganography
分类号
P391 [天文地球—地球物理学]
下载PDF
职称材料
题名
一种基于后门技术的深度强化学习水印框架
3
作者
陈瑜霖
姚志强
金彪
李璇
蔡娟娟
熊金波
机构
福建师范大学计算机与网络空间安全学院
福建省大数据分析与应用工程研究中心
出处
《福建师范大学学报(自然科学版)》
CAS
北大核心
2024年第1期96-105,共10页
基金
国家自然科学基金资助项目(62272103、62272102)
福建省自然科学基金资助项目(2023J01531)
福建省教育厅中青年教师科研项目(JAT220045)。
文摘
深度强化学习(DRL)已经证明了它在各种复杂任务中的有效性,因其出色的性能使其商业化正在急剧加速。生成一个DRL模型需要大量的计算资源和专业知识,使得一个训练有素的DRL模型已经成为人工智能应用程序和产品的核心知识产权。基于对DRL模型的产权保护,防止非法抄袭、未经授权的分发和复制,提出一种后门技术的DRL水印框架DrlWF,并使用一个全新的评价指标水印动作实现比例来衡量水印性能。通过向训练状态中添加水印,并使用带有水印的水印状态训练模型从而实现将水印嵌入至模型中。框架中的水印嵌入操作可以通过将水印嵌入到少量的训练数据中(仅需0.025%的训练数据)和不影响性能的奖励修改来实现。实验结果证明,在标准状态下,DRL模型仍具有良好的性能;在水印状态下,DRL模型性能将急剧下降,不足原有性能的1%,且水印动作执行比例达到了99%。通过急剧下降的性能以及模型对水印状态的动作表现,即可验证模型的所有权。此外,该水印具有良好的鲁棒性,在模型微调和模型压缩下,模型依然能够识别出水印,性能急剧下降且水印动作执行比例依旧达到了99%以上,证明了该DRL水印具有良好的鲁棒性。
关键词
深度强化学习
知识产权保护
后门攻击
神经网络水印
黑盒模型
Keywords
deep reinforcement learning
intellectual property protection
backdoor
neural network watermarking
black-box model
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
神经网络水印技术研究进展
张颖君
陈恺
周赓
吕培卓
刘勇
黄亮
《计算机研究与发展》
EI
CSCD
北大核心
2021
5
下载PDF
职称材料
2
基于水印神经网络的可溯源DNN模型保护方法
刘雅蕾
和红杰
陈帆
刘卓华
《应用科学学报》
CAS
CSCD
北大核心
2023
0
下载PDF
职称材料
3
一种基于后门技术的深度强化学习水印框架
陈瑜霖
姚志强
金彪
李璇
蔡娟娟
熊金波
《福建师范大学学报(自然科学版)》
CAS
北大核心
2024
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部