PathMark: Protecting Intellectual Property of Mixture-of-Expert LLMs via Path Watermarks
本文关注于混合专家（MoE）大型语言模型的知识产权保护问题。现有的水印方案主要针对密集模型设计，假设水印参数被持续激活，但MoE的动态路由机制打破了这一假设，导致传统水印无法直接应用。此外，MoE模型存在两个关键脆弱性：脆弱的决策边界和路由
#intellectual-property
共收录 4 条相关情报。
← 返回所有主题CORELOCKER: Neuron-level Usage Control.
该论文提出了一种名为CORELOCKER的神经元级使用控制方法，用于保护深度学习模型的知识产权。核心思想是从训练好的神经网络中提取一小部分显著权重作为“访问密钥”，拥有密钥的用户可以获得模型的全部能力，而未授权用户只能获得部分能力。该方法通
ORL-AUDITOR: Dataset Auditing in Offline Deep Reinforcement Learning.
该论文提出了一种名为ORL-AUDITOR的新型数据集审计机制，专门针对离线深度强化学习（offline DRL）场景。离线DRL利用预先收集的数据集训练模型，广泛应用于自动驾驶等安全关键领域。随着高质量数据集成为AI核心资产，许多机构公开
Efficient, Robust, and Anti-Collusion Fingerprinting of Image Diffusion Models
本文提出了一种针对文本到图像（T2I）扩散模型的高效、鲁棒且抗合谋的模型指纹识别方法。现有模型指纹技术通过向生成图像嵌入用户特定标识符来保护知识产权，但普遍存在一个未探索的系统性漏洞：它们缺乏对抗合谋攻击的鲁棒性。合谋攻击中，多个攻击者联合