[論文レビュー] Entangled Watermarks as a Defense against Model Extraction

Hengrui Jia, Christopher A. Choquette-Choo+2 more|arXiv (Cornell University)|Feb 27, 2020

Adversarial Robustness in Machine Learning参考文献 54被引用数 46

ひとこと要約

Entangled Watermark Embedding (EWE) を導入し、ソフト最近傍法損失を用いて水印信号をタスク表現と絡み合わせ、モデル抽出に対する頑健性を強化する。

ABSTRACT

Machine learning involves expensive data collection and training procedures. Model owners may be concerned that valuable intellectual property can be leaked if adversaries mount model extraction attacks. As it is difficult to defend against model extraction without sacrificing significant prediction accuracy, watermarking instead leverages unused model capacity to have the model overfit to outlier input-output pairs. Such pairs are watermarks, which are not sampled from the task distribution and are only known to the defender. The defender then demonstrates knowledge of the input-output pairs to claim ownership of the model at inference. The effectiveness of watermarks remains limited because they are distinct from the task distribution and can thus be easily removed through compression or other forms of knowledge transfer. We introduce Entangled Watermarking Embeddings (EWE). Our approach encourages the model to learn features for classifying data that is sampled from the task distribution and data that encodes watermarks. An adversary attempting to remove watermarks that are entangled with legitimate data is also forced to sacrifice performance on legitimate data. Experiments on MNIST, Fashion-MNIST, CIFAR-10, and Speech Commands validate that the defender can claim model ownership with 95\% confidence with less than 100 queries to the stolen copy, at a modest cost below 0.81 percentage points on average in the defended model's performance.

研究の動機と目的

• 既存の水印がタスクとは別に学習されているという限界を識別する。
• 水印をタスク表現と絡み合わせる Entangled Watermark Embedding (EWE) を提案する。
• データセット間でモデルの有用性と水印の頑健性とのトレードオフを定量化する。
• 視覚および音声タスクを跨ぐ抽出およびバックドアに対する Wassermark の頑健性を示す。

提案手法

• タスクデータと水印データ間の絡みを測定・強制するためにソフト最近傍損失（SNNL）を用いる。
• 水印分布とトリガを選択して水印付き入力を生成し、セマンティックな分離と絡みを最適化するよう入力を摺動させる。
• 結合損失で学習する：L = L_CE - kappa * sum_l SNNL([X_w^(l), X_cT^(l)], Y', T^(l))。
• トレーニング中、標準のタスクデータバッチと水印データバッチを交互に挿入する。
• トレーニング中の絡みの強さを制御するための温度スケジュール T^(l) を調整する。
• 所有権検証を仮説検定で評価し、抽出および再学習下での水印の頑健性を定量化する。

実験結果

リサーチクエスチョン

• RQ1 水印はタスク多様体と絡められた場合、モデル抽出後も生存するか。
• RQ2 SNNL による水印のタスクデータとの絡み付けは、クエリ数を減らして所有権検証を改善するか。
• RQ3 EWE が標準ベンチマークでのモデル有用性に与える影響はどれくらいか。
• RQ4 より深いアーキテクチャや多様なモダリティ（視覚と音声）に対して EWE はどの程度スケールするのか。

主な発見

• EWE は水印の頑健性を向上させる：抽出後のデータセット間でベースラインより高い水印成功率を示す。
• EWE を用いた場合、所有権を主張する際にクエリ数が少なくて済み、95% の信頼区間で所有権検証が可能になることが多く、状況によっては約 30–100 クエリ程度。
• 水印の成功率は平均で約 38.39%（レンジ 18.74%–60%）、ベースラインは 0.3%–9%（平均 5.77%）。
• 検証精度への最小限の劣化で水印は頑健性を保つ（平均約 0.81 ポイント、最大約 3 ポイント）。
• 絡み付けにより水印付きデータと正当データの表現類似性が向上（CKA が高い）し、活性化パターンの重なりが生じ、水印の分離が難しくなる。