一种基于双层优化的自监督模型版权保护方法、电子设备及存储介质技术

本发明专利技术公开了一种基于双层优化的自监督模型版权保护方法、电子设备及存储介质，用以增强自监督学习场景中的模型版权保护安全性。内部优化通过设计一个水印优化策略，将水印样本和目标标签进行强关联，根据水印样本与其他非目标样本的特征相似度损失获取动态权重来优化水印在各个类别数据上的效果，从而避免水印样本特征与其他类别样本特征之间的干扰；外部优化指在编码器特征空间中，通过联合损失函数，实现保留模型的正常分类功能以及模型水印的版权保护目标，来保证水印的有效性、效用性和隐蔽性。本发明专利技术通过双层优化策略能够有效防止水印在特定类别上的失效，确保模型水印在实际应用中的稳定性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及一种基于双层优化的自监督模型版权保护方法、电子设备及存储介质，属于信息安全。

技术介绍

1、自监督学习（ssl）模型通过设计一个预任务来获得一个性能良好的编码器，让编码器自动从未标注数据中学习数据的关键特征，自监督学习模型所有者基于编码器构建相应的下游分类器，组成一个深度神经网络（dnn）‌模型。目前有两种使用ssl预训练编码器的场景：一种是将编码器直接部署为付费云服务，另一种是将预训练好的编码器作为一种通用的特征提取器，允许用户为各种下游任务训练分类器，以获得性能优异的网络模型。由于编码器强大的特征提取能力和适用性，自监督学习模型在计算机视觉、自然语言处理等领域中得到了广泛应用。然而，由于一个训练良好的编码器模型通常需要耗费大量的时间、数据和计算资源，这使得ssl模型的知识产权保护问题日益凸显。随着ssl模型的广泛应用，ssl模型盗版者通过反向工程或盗取模型输出等手段，能够非法获取和复制模型侵犯其版权。因此，建立有效的自监督模型版权保护机制显得至关重要，以防止ssl模型被未经授权的复制、修改或滥用。

2、在自监督学习的场景下，自本文档来自技高网...

【技术保护点】

1.一种基于双层优化的自监督模型版权保护方法，其特征在于：具体包括：

2.根据权利要求1所述的一种基于双层优化的自监督模型版权保护方法，其特征在于：还包括：将优化后水印样本逐一输入到基于可疑SSL编码器构建的DNN模型中，验证DNN模型预测的标签是否与水印目标标签相同；若分类为水印目标标签的准确率超过一定阈值，则可疑SSL模型被判定为盗版模型。

3.根据权利要求1所述的一种基于双层优化的自监督模型版权保护方法，其特征在于：所述水印触发器的尺寸与干净样本一致，水印触发器的初始像素值通过均匀分布随机生成，范围设定为[-1,1]。

4.根据权利要求1所述的一...

【技术特征摘要】

1.一种基于双层优化的自监督模型版权保护方法，其特征在于：具体包括：

2.根据权利要求1所述的一种基于双层优化的自监督模型版权保护方法，其特征在于：还包括：将优化后水印样本逐一输入到基于可疑ssl编码器构建的dnn模型中，验证dnn模型预测的标签是否与水印目标标签相同；若分类为水印目标标签的准确率超过一定阈值，则可疑ssl模型被判定为盗版模型。

3.根据权利要求1所述的一种基于双层优化的自监督模型版权保护方法，其特征在于：所述水印触发器的尺寸与干净样本一致，水印触发器的初始像素值通过均匀分布随机生成，范围设定为[-1,1]。

4.根据权利要求1所述的一种基于双层优化的自监督模型版权保护方法，其特征在于：水印样本的表达式如下：

5.根据权利要求1所...

【专利技术属性】
技术研发人员：于洁敏，闫雷鸣，吉丽菁，陈宇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：