DeepEclipse: Como Quebrar Esquemas de Marca d'Água DNN de Caixa Branca

Modelos de Aprendizado Profundo (DL) tornaram-se cruciais na transformação digital, levantando preocupações sobre seus direitos de propriedade intelectual. Diferentes técnicas de marca d'água foram desenvolvidas para proteger Redes Neurais Profundas (DNNs) contra infrações de PI, criando um campo competitivo para métodos de marca d'água e remoção de DNN. Os esquemas de marca d'água predominantes utilizam técnicas de caixa branca, que envolvem modificar pesos adicionando uma assinatura única a camadas específicas da DNN. Por outro lado, os ataques existentes contra a marca d'água de caixa branca geralmente requerem conhecimento do esquema de marca d'água específico implantado ou acesso aos dados subjacentes para treinamento e ajuste fino adicionais. Propomos o DeepEclipse, uma estrutura nova e unificada projetada para remover marcas d'água de caixa branca. Apresentamos técnicas de ofuscação que diferem significativamente dos esquemas de remoção de marca d'água de caixa branca existentes. O DeepEclipse pode evadir a detecção de marcas d'água sem conhecimento prévio do esquema de marca d'água subjacente, dados adicionais ou treinamento e ajuste fino. Nossa avaliação revela que o DeepEclipse se destaca em quebrar múltiplos esquemas de marca d'água de caixa branca, reduzindo a detecção de marca d'água a palpites aleatórios, enquanto mantém uma precisão de modelo semelhante à original. Nossa estrutura apresenta uma solução promissora para enfrentar os desafios em curso de proteção e remoção de marcas d'água DNN.