[发明专利]神经网络加水印

权利要求书

1.一种用于训练神经网络并在所述神经网络中嵌入水印的方法，其中，所述水印用于证明所述神经网络的所有权，并且其中，所述神经网络包括与多个网络节点相关联的多个可训练参数，所述方法包括：

将所述多个可训练参数分成第一可训练参数集和第二可训练参数集；

将第一训练样本集输入到所述神经网络；

通过迭代所述第一训练样本集经过所述神经自学习网络以更新所述第一可训练参数集来训练所述神经网络，并在所述第一训练样本集的迭代期间阻止所述第二可训练参数集被更新；

将第二训练样本集输入到所述神经网络；以及

通过迭代所述第二训练样本集经过所述神经网络以更新所述第二可训练参数集来嵌入所述水印，并在所述第二训练样本集的迭代期间阻止所述第一可训练参数集被更新。

2.根据前述权利要求所述的方法，其中，所述第一可训练参数集和所述第二可训练参数集在所述神经网络中形成平行层，并且其中，所述方法还包括：

依次迭代所述第一训练样本集和所述第二训练样本集经过相应的可训练参数集。

3.根据前述权利要求中任一项所述的方法，还包括：

选择所述第二训练样本集以包括第一数量的训练样本；以及

选择所述第二可训练参数集以包括第二数量的可训练参数，其中，所述第一数量小于所述第二数量。

4.根据前述权利要求中任一项所述的方法，其中，所述第一训练样本集包括用于训练所述神经网络的一般训练样本，并且其中，所述第二训练样本集包括用于加水印的训练样本。

5.根据权利要求4所述的方法，还包括：

训练所述神经网络以将所述第二训练样本集的用于加水印的训练样本与意外类相关联。

6.根据权利要求1至5中任一项所述的方法，其中，所述第二训练样本集包括来自所述第一训练样本集的训练样本。

7.根据权利要求1至6中任一项所述的方法，其中，所述第二训练样本集包括来自所述第一训练样本集的已在所述第一训练样本集的迭代期间被所述神经网络错误分类的训练样本。

8.根据权利要求1至4中任一项所述的方法，其中，所述第二训练样本集包括与所述第一训练样本集无关的训练样本。

9.根据前述权利要求中任一项所述的方法，其中，所述第二训练样本集包括由噪声形成的训练样本。

10.根据前述权利要求中任一项所述的方法，还包括：

迭代所述第二训练样本集经过所述第二可训练参数集，直到与所述第二训练样本集相关联的分类置信度高于置信阈值。

11.一种用于提取神经网络中根据权利要求1至10中任一项被嵌入的水印的方法，其中，所述水印用于证明所述神经网络的所有权，并且其中，所述神经网络包括与多个网络节点相关联的多个可训练参数，所述方法包括：

将至少一个关键样本输入到所述神经网络，其中，所述至少一个关键样本与所嵌入的水印相关联；以及

通过执行以下中的至少一项来评估来自所述神经网络的输出：

确定与被输入到所述神经网络的所述至少一个关键样本的输出相关联的置信值高于置信阈值；以及

确定当所述至少一个关键样本被输入到所述神经网络时所述多个网络节点中的预定网络节点子集被激活。

12.一种计算机程序产品，包括非瞬态计算机可读介质，其中，在所述非瞬态计算机可读介质上存储有包括程序指令的计算机程序，其中，所述计算机程序被配置为可加载到数据处理单元中，所述数据处理单元包括处理器和与所述数据处理单元相关联的或与所述处理器集成的存储器，其中，当被加载到所述数据处理单元中时，所述计算机程序被配置为存储在所述存储器中，其中，所述计算机程序在被加载到所述处理器中并由所述处理器运行时被配置为使得执行根据结合权利要求1至11所描述的方法中的任何一种方法的方法步骤。