当前位置：首页 > ai >正文

基于离散余弦变换的激活水印（DCT-AW）

ai 2025/8/18 11:35:26

本文题为《Watermarking Kolmogorov-Arnold Networks for Emerging Networked Applications via Activation Perturbation》，由台湾国立清华大学和工业技术研究院的研究团队撰写，发表于2025年。论文针对Kolmogorov-Arnold Networks（KAN）的知识产权保护问题，提出了一种新型水印方法——基于离散余弦变换的激活水印（DCT-AW）。以下是详细总结，内容按论文结构组织，确保覆盖核心贡献、方法、实验和结论。

一、引言与背景

随着机器学习在推荐系统、社交网络分析等关键领域的广泛应用，保护模型知识产权（IP）成为挑战。现有深度学习神经网络（DNN）水印技术（如CNN水印）在传统架构上表现良好，但不适用于新兴的Kolmogorov-Arnold Networks（KAN）。KAN基于Kolmogorov-Arnold表示定理，使用可学习的激活函数（如B样条），在复杂关系建模（如网络结构数据）中展现出强大潜力，但其独特设计引入了水印新挑战：

现有水印方法弱点：应用于KAN时暴露两大缺陷：
- W1: 任务依赖性（Task Dependency）：多数DNN水印方法（如基于触发集或信号的方法）依赖特定任务假设（如分类任务决策边界），难以泛化到回归等其他任务。
- W2: 攻击脆弱性（Vulnerability to Attacks）：KAN的可学习激活函数和架构使其易受水印移除攻击（如微调、剪枝、剪枝后重训练）。实验表明，传统方法在KAN上面对攻击时水印准确率显著下降（表I）。
研究动机：为填补KAN知识产权保护的空白，论文提出DCT-AW方法，旨在实现功能保持（水印嵌入不影响模型性能）和攻击鲁棒性（抵抗水印移除攻击）。

论文的核心贡献包括：

分析并验证了W1和W2弱点。
设计了首个针对KAN的水印框架DCT-AW。
通过实验证明DCT-AW的任务独立性和高鲁棒性。

二、相关工作和理论基础

DNN水印技术综述：现有方法分为三类：
- 基于触发集（Trigger-set-based）：如Adi et al. (2018) 和 Zhang et al. (2018)，使用预定义样本作为水印密钥，但依赖任务标签。
- 基于特征（Feature-based）：如Fan et al. (2021) 的护照水印，嵌入参数特定信息，但架构不兼容KAN。
- 基于信号（Signal-based）：如Chien et al. (2024)，通过输出扰动嵌入水印，但仅适用于分类任务。
Kolmogorov-Arno