ReFHD-Net：一种用于深度神经网络的可逆功能隐藏框架

《IEEE Transactions on Circuits and Systems for Video Technology》：ReFHD-Net: A Reversible Functionality Hiding Framework for Deep Neural Networks

可逆功能隐藏框架ReFHD-Net通过结构化掩码矩阵实现深度神经网络版权保护，采用多任务学习与参数分布正则化双阶段优化，在保证公开任务性能仅下降0.27%的同时支持秘密任务无损恢复，有效防御随机猜测、微调及剪枝攻击。

　　

摘要：

随着人工智能的快速发展，深度神经网络（DNN）已成为宝贵的数字资产，因此迫切需要对其进行版权保护和安全传输。尽管传统的模型水印技术和主动防御技术能够在一定程度上防止未经授权的使用，但它们通常存在可检测性较低的问题，并且可能会降低模型性能。为了解决这些挑战，本文提出了一种基于结构化掩码矩阵的DNN可逆功能隐藏框架ReFHD-Net。所谓可逆功能隐藏，是指在传输过程中将秘密任务的功能隐藏在隐写模型中，并允许接收端的授权用户无损地恢复该功能。具体而言，ReFHD-Net采用了两阶段策略来实现这一目标：在第一阶段，利用带有同方差不确定性的多任务学习框架对公共任务和秘密任务进行联合训练；在第二阶段，通过结合任务驱动的损失函数和参数分布正则化方法进一步优化模型参数，从而限制隐藏过程导致的参数偏差并提高秘密任务的可检测性。在图像分类和去噪基准测试中的实验结果验证了ReFHD-Net的优越性——其在公共任务上的性能平均下降仅为0.27%，并且能够无损地恢复秘密任务而不影响其性能。此外，该框架对各种未经授权的恢复尝试（包括随机猜测、微调和模型剪枝）表现出很强的鲁棒性和安全性。