Encoder-decoder based watermarking for federated learning models

doi:10.1016/j.future.2025.108175

Encoder-decoder based watermarking for federated learning models

2025-10-01

0

PRE

AI

DOI：10.1016/j.future.2025.108175

原文链接

原文求助

摘要

En 中文

联邦学习作为深度学习的一个重要分支，解决了数据孤岛、数据隐私、安全性和通信带宽等相关问题。在知识产权方面，它面临与深度神经网络类似的挑战，即保护模型所有权方面的脆弱性。目前已有一些保护方案，但现有的联邦学习保护方案在嵌入水印信息的隐蔽性方面存在不足，无法确保高鲁棒性和安全性。此外，在嵌入大量水印信息后，对模型性能的影响无法得到保证。因此，本文提出了一种新颖的联邦学习保护框架，包含三个步骤：水印信息生成、嵌入和所有权检测。在水印信息生成阶段，采用编码器-解码器结构进行嵌入。在嵌入水印信息时，采用阈值处理方法，同时在卷积层和BN层嵌入水印。实验结果表明，采用编码器-解码器结构确保了高鲁棒性、安全性和隐蔽性，同时允许嵌入大量水印信息，对模型原始任务的影响最小，在四种类型模型中嵌入水印信息后，准确率仅下降1.16%。此外，该方案对包括微调、剪枝和等价攻击在内的各种常见攻击表现出高鲁棒性。

Encoder-decoder based watermarking for federated learning models

摘要

期刊

机构

引用论文