【技术实现步骤摘要】
本专利技术可以有效验证图神经网络的的版权信息。属于一种针对图神经网络的版权保护方法，属于网络空间安全和人工智能安全领域。
技术介绍
1、随着人工智能技术的快速发展，深度学习模型在各个领域的广泛应用呈现出增长趋势。图神经网络作为一类专门用于处理图数据的深度学习模型，在社交网络、生物信息学、交通网络等领域得到了广泛应用。相较于传统的深度学习模型，图神经网络的独特之处在于其能够有效地捕捉和利用图结构中节点和边的关系，因而在建模和预测具有复杂关联性的数据时表现突出。然而，由于深度学习技术在各领域的广泛应用，深度学习模型的版权保护问题日益凸显。首先，深度学习模型通常需要大量的训练数据，而这些数据可能涉及版权保护的内容。
2、目前，深度学习模型版权保护方法的研究主要集中在处理图像、文本和音频等传统数据类型的深度学习模型上。然而，针对图神经网络的版权保护方法研究相对较少，尚未得到充分的探讨和发展。传统的版权保护方法可能无法直接应用于图神经网络，因为图数据的结构和特点使得传统的水印嵌入和提取方法难以适用。图数据通常具有高度复杂的拓扑结构，节...
【技术保护点】
1.基于双层优化的隐蔽且用户唯一型图神经网络水印方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的基于双层优化的隐蔽且用户唯一型图神经网络水印方法，其特征在于，在步骤1中，通过触发集生成器生成水印触发集，而触发集生成模型和目标模型的优化采用双层优化算法。触发集生成的具体过程如下：基于一个干净的训练数据集上训练的基于图的神经网络模型作为目标模型，利用干净模型生成每个节点的预测概率，选择每个标签预测概率最大的节点，并将其分配为目标标签以形成触发节点，然后将干净训练数据集和触发节点集输入触发集生成模型，触发集生成模型会植入新的节点，并自适应连接到触发节...
【技术特征摘要】
1.基于双层优化的隐蔽且用户唯一型图神经网络水印方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的基于双层优化的隐蔽且用户唯一型图神经网络水印方法，其特征在于，在步骤1中，通过触发集生成器生成水印触发集，而触发集生成模型和目标模型的优化采用双层优化算法。触发集生成的具体过程如下：基于一个干净的训练数据集上训练的基于图的神经网络模型作为目标模型，利用干净模型生成每个节点的预测概率，选择每个标签预测概率最大的节点，并将其分配为目标标签以形成触发节点，然后将干净训练数据集和触发节点集输入触发集生成模型，触发集生成模型会植入新的节点，并自适应连接到触发节点，从而生成触发集。触发集生成器模型的目标函数如下：
3.根据权利要求1所述的基于双层优化的隐蔽且用户唯一型图神经网络水印方法，其特征在于，所述步骤2使用水印触发集微调训练目标图神经网络模型，其主要包括以下步骤：在水印嵌入阶段，采用双层优化算法优化触发器生成模型和目标模型的水印嵌入。在水印嵌入过程中，目标图神经网络模型在触发集和干净训练数据的并集上进行多次微调学习。
4.根据权利要求1所述的基于双层优化的隐蔽且用户唯一型图神经网络水印方法，其特征在于，所述步...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。