基于脑电EEG的水印知识产权保护

主要观点总结

本文首次提出了一种利用水印对基于脑电图的模型进行知识产权(IP)保护的方法。通过设计触发集，将水印嵌入到模型中，实验证明该方法在不牺牲主任务性能的前提下，对各种反水印攻击具有鲁棒性。

关键观点总结

关键观点1: 研究背景

随着脑电图（EEG）领域的模型发展，模型保护变得至关重要。尤其是基于脑电图的模型，由于其高隐私价值，易受到恶意攻击和非法复制。

关键观点2: 主要工作

本研究提出了一种新的利用水印进行模型保护的方法。首先，提出了模型保护触发集应满足的三个约束条件，然后逐步合成满足这些条件的脑电图触发集。最后，同时使用触发集和DEAP数据集训练模型以嵌入水印。

关键观点3: 实验验证

在广泛使用的DEAP数据集上进行了实验，结果表明，该方法对各种水印攻击具有较强的鲁棒性，同时不牺牲主任务的性能。

关键观点4: 创新点

本研究首次将水印技术应用于基于脑电图的模型保护，为解决此类模型的IP保护问题提供了新的思路和方法。

关键观点5: 未来工作

未来需要进一步研究如何保护基于图卷积神经网络和变压器的深度学习模型，以及如何将水印直接嵌入到模型的权值中。

文章预览

摘要: 共享学习模型对于研究和行业的快速发展和进步至关重要。同时，作为模型提出者的知识产权，学习到的高性能模型必须受到保护，避免被恶意用户非法复制或再分发。尽管脑电图(EEG)领域取得了重大进展，模型也变得越来越复杂，但在保护基于脑电图的模型方面仍需要做更多的工作。模型窃取和攻击对脑机接口(BCI)造成的损害是其他领域中最为严重的。本文首次提出了一种利用水印对基于脑电图的模型进行IP保护的方法。通过设计触发集，将水印嵌入到三个具有代表性的基于脑电图的模型中。在不显著牺牲主任务性能的前提下，可以通过触发集远程验证模型的合法性。此外，我们还证明了所提出的模型保护方法对各种反水印攻击(如微调、迁移学习、剪枝和水印覆盖)具有鲁棒性。 关键词: 基于脑电图模型的保护、模型水印、知识产权(IP) 脑电 ………………………………