本文提出 MeMark，一种面向脉冲神经网络（SNN）模型水印的新方法，专门针对模型检查点复用（checkpoint-reuse）场景。现有 SNN 水印通常将标识嵌入输出层，攻击者只需替换输出头即可移除验证证据。MeMark 将多比特标识嵌入选定泄漏积分-触发（LIF）神经元的内部膜电位状态：通过秘密输入驱动每个选定神经元阈值的一侧，并在验证时利用同一阈值恢复比特，无需学习式解码器。作者在循环、卷积、残差及 transformer 结构 SNN 上评估，包括 2.154 亿参数的 SpikeGPT 检查点。实验显示：20 个独立 64 位密钥均通过 51/64 验证规则，而 30000 个随机密钥全部被拒绝；微调、90% 剪枝、int8 量化和输出头替换后，所有权证据仍存活。自适应攻击可削弱但无法完全移除水印。同时研究了错误所有权声明、密钥感知/不可知移除、部分密钥披露、回滚及知识蒸馏攻击。结果表明 MeMark 能提供检查点衍生模型的证据，同时抵抗主流攻击和完全头部替换。适合关注模型知识产权保护、AI 安全研究的读者。

该论文提出了一种针对脉冲神经网络（SNN）的主动版权保护框架SpikeTimer。SNN在低功耗计算和事件驱动数据处理方面具有优势，但现有版权保护方法主要针对传统深度神经网络（DNN），难以直接迁移至SNN，因其具有复杂的时序编码和脉冲驱动计算特性。SpikeTimer利用时序后门学习机制，将神经形态数据划分为指定的时间片，仅在授权时间片内嵌入授权令牌。这种时间分割特性天然支持多用户授权机制，并能适应任意形态的令牌嵌入。SpikeTimer的核心创新在于建立时间依赖的授权机制，通过令牌的时间有效性保护SNN版权。具体地，当输入数据包含正确的令牌且位于正确的时间片时，模型正常响应；否则产生错误输出。实验表明，SpikeTimer在未授权数据上准确率约为10%，而授权数据准确率仅下降约1.5%。此外，该框架对模型微调和剪枝攻击具有鲁棒性。