Bilgisayar Görme Veri Kümeleri için DRM

Tarih, bilgisayar görme araştırmalarının ‘açık’ çağından – burada yeniden üretilebilirlik ve olumlu peer review yeni bir girişimin geliştirilmesinde merkezi bir role sahiptir – sonunda IP korumasının yeni bir dönemine yol açacağına işaret etmektedir. Bu yeni dönemde kapalı mekanizmalar ve duvarlı platformlar, rakiplerin yüksek veri kümesi geliştirme maliyetlerini alt etmeye veya pahalı bir projeyi kendi (belki daha iyi) sürümlerini geliştirmek için bir basamak taşı olarak kullanmalarını engelleyecektir.

Şu anda korumacılığa doğru growing trend主要 olarak, kullanıcıların sparse token veya istekleri gönderdiği ve çerçevenin yanıtlarını değerli kılan dönüşümsel süreçlerin tamamen gizli olduğu API erişimi arkasında özel merkezi çerçeveleri surround ederek desteklenmektedir.

Diğer durumlarda, son model kendisi yayınlanabilir, ancak onu değerli kılan merkezi bilgiler olmadan, örneğin çiftlik milyon maliyetle üretilmiş ön eğitimli ağırlıklar olmadan; veya özel bir veri kümesi olmadan veya bir dizi açık veri kümesinden bir alt küme nasıl üretildiği hakkında kesin ayrıntılar olmadan. OpenAI’nin dönüştürücü Doğal Dil modeli GPT-3’nin durumunda, her iki koruma önlemi de şu anda kullanımda olup, modelin taklitçilerini, örneğin GPT Neo, ürünün bir yaklaşımlarını mümkün olduğunca bir araya getirmeye zorluyor.

Görüntü Veri Kümelerini Korumak

Ancak, bir ‘korunan’ makine öğrenimi çerçevesinin bazı taşınabilirlik düzeyini yeniden kazanabileceği yöntemlere ilgi artmaktadır. Bu, yalnızca yetkili kullanıcıların (örneğin, ücretli kullanıcılar) sistemden karlı bir şekilde yararlanabileceği şekilde, veri kümesini某 programatik şekilde şifreleyerek gerçekleştirilir. Bu, AI çerçevesi tarafından eğitim zamanında ‘temiz’ olarak okunabilen, ancak başka bir bağlamda kullanıldığında bozulmuş veya kullanılamaz hale gelen bir veri kümesi oluşturur.

Bu tür bir sistem, Çin Bilim ve Teknoloji Üniversitesi’ndeki ve Şangay’daki Fudan Üniversitesi’ndeki araştırmacılar tarafından önerildi. İzlenebilir Görüntü Veri Kümesi Koruma adlı makale, bir görüntüleri otomatik olarak adversarial örnek bozulmasına ekleyen bir işlem hattı sunar, böylece veri kümesi yetkisiz erişim durumunda faydalı bir şekilde kullanılamayacak, ancak yetkili bir sistemdeki gizli bir token tarafından tamamen otomatik olarak filtrelenecektir.

Makaleden: Bir ‘değerli’ kaynak görüntüsü, adversarial örnek teknikleriyle etkili bir şekilde eğitilemez hale getirilir, bozulmalar yetkili bir kullanıcı için sistematik ve tamamen otomatik olarak kaldırılır. Kaynak: https://arxiv.org/pdf/2112.14420.pdf

Korumayı sağlayan mekanizma, tersine çevrilebilir adversarial örnek üreticisi (RAEG) olarak adlandırılır ve temelde sınıflandırma amaçları için görüntülerin kullanılabilirliğini şifreleme yapar, tersine çevrilebilir veri gizleme (RDH) kullanır. Yazarlar şöyle diyor:

‘Yöntem, mevcut AE yöntemlerini kullanarak adversarial görüntüyü oluşturur, ardından adversarial bozulmayı adversarial görüntüye yerleştirir ve RDH kullanarak stego görüntüyü oluşturur. Tersine çevrilebilirliğin özelliği nedeniyle, adversarial bozulma ve orijinal görüntü geri kazanılabiliyor.’

Veri kümesindeki orijinal görüntüler, U-şekilli tersine çevrilebilir bir sinir ağı (INN) aracılığıyla işlenir ve sınıflandırma sistemlerini aldatmak üzere tasarlanmış adversarial etkilenmiş görüntüleri üretir. Bu, tipik özellik çıkarmayı bozacaktır, bu nedenle cinsiyet gibi özelliklerin ve diğer yüz tabanlı özelliklerin sınıflandırılmasını zorlaştıracaktır (mimari, yüz tabanlı materyallerle sınırlı olmamak üzere bir dizi alanı destekler).

RAEG’nin bir tersine çevirme testi, görüntülere önce yeniden yapılandırma yapılan farklı saldırı türleri ile. Saldırı yöntemleri arasında Gaussian Blur ve JPEG artefaktları bulunur.

Dolayısıyla, ‘bozulmuş’ veya ‘şifrelenmiş’ veri kümesini, GAN tabanlı yüz oluşturma veya yüz tanıma amaçları için tasarlanmış bir çerçevede kullanmaya çalışmak, modelin bozulmamış görüntülerle eğitilmiş olandan daha az etkili olacağı anlamına gelecektir.

Görüntüleri Kilitlemek

Ancak, bu sadece popüler bozulma yöntemlerinin genel uygulanabilirliğinin bir yan ürünüdür. Aslında, öngörülen kullanım durumunda, veri, yetkili erişim dışında her durumda engellenmiş olacaktır, çünkü temiz verilere erişim anahtarı, hedef mimarinin içinde gizli bir tokendir.

Bu şifreleme, orijinal görüntü kalitesinin ‘hafif bozulma’ olarak nitelendirilebilecek bir kaybı ile birlikte gelir ve araştırmacılar şöyle diyor: ‘Önerilen yöntem, orijinal görüntüyü neredeyse mükemmel bir şekilde geri yükleyebilir, ancak önceki yöntemler yalnızca bulanık bir sürümünü geri yükleyebiliyor.’

Kasdedilen önceki yöntemler, Kasım 2018 makale Yetkisiz AI Beni Tanıyamaz: Tersine Çevrilebilir Adversarial Örnek, iki Çin üniversitesi ve RIKEN Center for Advanced Intelligence Project (AIP) arasındaki bir işbirliği; ve Tersine Çevrilebilir Görüntü Dönüşümü Tabanlı Tersine Çevrilebilir Adversarial Saldırı, 2019 makale aynı zamanda Çin akademik araştırma sektöründen.

Yeni makalenin yazarları, önceki yaklaşımlara kıyasla geri yüklenen görüntülerin kullanılabilirliğinde önemli iyileştirmeler yaptıklarını iddia ediyorlar ve ilk yaklaşımın ara bozulmalara karşı çok duyarlı olduğunu ve atlatmanın çok kolay olduğunu, ikinci yaklaşımın ise yetkili eğitim zamanında orijinal görüntülerin aşırı bozulmasına neden olduğunu ve sistemin uygulanabilirliğini zayıflattığını gözlemliyorlar.

Mimari, Veri ve Testler

Yeni sistem, bir üretici, bir saldırı katmanı, ön eğitimli hedef sınıflandırıcılar ve bir ayırt edici unsur içerir.

RAEG mimarisi. Sol-orta, eğitim zamanında görüntüleri bozulan özelliklerin tanımlanmasını ve bunları göz ardı etmesini sağlayan gizli token ‘I_prt‘ görülmektedir.

Aşağıda, önceki iki yaklaşım ile yapılan bir karşılaştırma testinin sonuçları verilmiştir. Üç veri kümesi kullanılmıştır: CelebA-100; Caltech-101; ve Mini-ImageNet.

Üç veri kümesi, hedef sınıflandırma ağları olarak, bir NVIDIA RTX 3090 üzerinde bir haftalık süre boyunca 50 epoch için 32’lik bir toplu boyut ile eğitilmiştir.

Yazarlar, RAEG’nin aktif olarak adversarial örnekler üretebilen tersine çevrilebilir bir sinir ağı sunan ilk çalışma olduğunu iddia ediyorlar.

İlk olarak 4 Ocak 2022’de yayınlandı.