Embedding Watermarks into Deep Neural Networks

Embedding Watermarks into Deep Neural Networks（深層ニューラルネットワークへの電⼦透かしの埋め込み）

ICMRʼ17 Best Paper Award

MIRU 2017

内⽥祐介*株式会社ディー・エヌ・エー

永井有希KDDI総合研究所

酒澤茂之*⼤阪⼯業⼤学

佐藤真⼀国⽴情報学研究所

* 本発表は著者らがKDDI総合研究所所属中に⾏った研究 (ICMR’17) をもとにしています

Deep Learning

Deep Learning

→ データが命

データは当然重要な資産。その資産を時間をかけて学習したモデルパラメータも重要な資産

モデルパラメータ

! モデルパラメータは効率的な研究開発において重要 " 研究成果の再現 " ⼤規模データで学習されたモデルパラメータのFine-tuneにより

⼩数データ・短時間で⾼精度なモデルが構築可能

研究開発的な観点

Trained models

(e.g. Model Zoo)

Researchers Developers


Share

Sharing trained models helps rapid progress for research and development.

! 独⾃に学習したモデルパラメータは重要な資産 ! 権利保護によりモデルパラメータの不正利⽤を防ぎたい

ビジネス的な視点


Customers (Business)

license

product / service

💰

•  前向きな考え⽅をすると、適切な権利保護により将来的にはモデルパラメータを売買できるようなプラットフォームビジネスができるかも（e.g. Alexa Skills Store）

! モデルパラメータを画像や⾳楽のように技術で権利保護できないか？

New Challenge

! モデルパラメータを画像や⾳楽のように技術で権利保護できないか？

New Challenge

→ 電⼦透かしによる不正利⽤検出

1.  Deep Neural Networks (DNN) への電⼦透かしの埋め込みという新たな問題を提起

"  DNNへの電⼦透かしへの要求項⽬、埋め込みパターン、攻撃パターンを定義

2.  DNNへの電⼦透かしの埋め込み⽅法として汎⽤的な⼿法を提案 "  電⼦透かしを埋め込む損失関数を定義することで学習時に埋め込み

3.  広範な実験によりDNNへの電⼦透かしの埋め込みの実現性を検証 "  パラメータの65%をPruningしても消えない電⼦透かし

本研究の貢献

DNNへの電⼦透かしの埋め込み：問題定義

画像ドメイン DNNドメイン

忠実性 Fidelity

透かしの埋め込みによって可能な限り元画像が（視覚的に）劣化しないこと

透かしの埋め込みによってホストネットワークのタスクの精度が低下しないこと

ロバスト性 Robustness

画像圧縮や切り抜き、リサイズ等の画像処理によって埋め込んだ透かしが消えないこと

Fine-tuningやモデル圧縮といったモデル変更によって埋め込んだ透かしが消えないこと

DNNへの電⼦透かしの埋め込みへの要求項⽬

※ホストネットワーク＝埋め込み対象のDNN ※埋め込み容量、埋め込み・検出速度、セキュリティ等の要件は画像と同じ

! どのように電⼦透かしを埋め込むか " 学習済みのモデルに後から埋め込む（画像では普通）

• ホストネットワークの精度が⼤きく劣化 " 学習しながら電⼦透かしを埋め込む

• 精度を維持しながら埋め込みが可能、以降はこのケースのみを考える • 学習しながらの埋め込みも下記の3パターンが考えられる

DNNへの電⼦透かし埋め込みパターン

埋め込みパターン Train-to-embed Fine-tune-to-embed Distill-to-embed ホストネットワークを最初から学習する際に埋め込み

ホストネットワークをfine-tuneする際に埋め込み

ホストネットワークをdistillationで学習する際に埋め込み

Fine-tune? Use label?

��

! Fine-tuning " 訓練時間の短縮、転移学習、⼩数データでの学習のために利⽤ " 追加学習によりモデルパラメータが変化 " （意図的・⾮意図的にせよ）⼀番多い攻撃パターン

! モデル圧縮 " モデルのメモリサイズ圧縮、処理時間の短縮のために利⽤" ⾮可逆圧縮によりモデルパラメータが変化 " 実応⽤においてホットな技術

想定される電⼦透かしへの攻撃

PROPOSED FRAMEWORK

! ホストネットワークの (flatten) 重みをw、埋め込みキーをXとすると X w ≧ 0 により透かしを定義

! 学習過程でオリジナルのタスクのロスに加えて所望の透かしになるように埋め込みロス（embedding loss）を定義

! オリジナルのタスクの精度を担保しつつ、透かしを埋め込む

アプローチ

Weight w

�

Secret Key X (fixed)

1 if ≧0 0 otherwise＝ → Watermark

より⼀般的には、wを⼊⼒とし2値出⼒のDNNと定義しても良い（その固定パラメータがsecret key）

Embedding lossによるDNNへの電⼦透かしの埋め込み

出⼒ラベル

タスクのロス

ホストネットワーク

E0


出⼒ラベル

タスクのロス


E0

Weight w

�

パラメータ (e.g. 3x3x64x64)出⼒フィルタ⽅向に平均化＋flatten


出⼒ラベル

タスクのロス


E0パラメータ (e.g. 3x3x64x64)出⼒フィルタ⽅向に平均化＋flatten


Weight w

�

Sigmoid

出⼒


出⼒ラベル

タスクのロス


E0パラメータ (e.g. 3x3x64x64)出⼒フィルタ⽅向に平均化＋flatten


Weight w

�

Sigmoid

出⼒透かし

埋め込みロス

1011

ER


出⼒ラベル

タスクのロス




Weight w

�

Sigmoid

出⼒透かし

埋め込みロス

1011

E0

ER

E = E0 +λER

タスクのロスおよび埋め込みロスを同時に最⼩化


出⼒ラベル

タスクのロス




Weight w

�

Sigmoid

出⼒透かし

埋め込みロス

1011

E0

ER

E = E0 +λER

Parameter regularizer として実装可能 (cf. weight decay)

タスクのロスおよび埋め込みロスを同時に最⼩化

EXPERIMENTS

実験設定

データセット CIFAR-10 (60,000 32 x 32 color images, 10 classes) - 50,000 images for training - 10,000 images for test

ネットワークアーキテクチャおよび

パラメータ

-  WideResNet [4] (N = 1, k = 4)

-  SGD with Nesterov momentum

-  cross-entropy loss -  the initial learning rate = 0.1 -  weight decay = 5.0 x10-4 -  momentum = 0.9 -  minibatch size = 64 -  λ = 0.01

電⼦透かし 256 bit (T = 256)

埋め込み対象 conv2 group

[4] S. Zagoruyko and N. Komodakis. Wide residual networks. In Proc. of ECCV, 2016.

conv1

conv2group

conv3group

conv4group

arg-poolfc

M= 36864(3 x 3 x 64 x 64 )

! Secret Key X は任意の⾏列

! 本発表では単純な下記の3通りを検証 " Xdirect

wの1つの次元に埋め込む⾏列

" Xdiff wの2つの次元の差に埋め込む⾏列

" Xrandom wの全ての次元に分散して埋め込む⾏列 X ~ N(0, 1)

Fidelity: Train-to-embed（スクラッチからの学習時に埋め込み）


Weight w

�

sign

透かし

1

1

1 1

1

1

1 -1

-1 1

1

-1 -1

-1

Fidelity: Train-to-Embed（スクラッチからの学習時に埋め込み）

Training curves for the host network on CIFAR-10

! 3種類の X 全て埋め込みは可能 ! randomがテストエラーおよび埋め込みロスともに最良

（埋め込みなしと同等のテストエラー）

The best test errors and embedding losses

Test

err

or

Trai

ning

loss

! 再学習を⾏う場合でも、埋めなしと同等のテストエラー

Fidelity: Fine-tune-to-embed and Distill-to-embed

CIFAR-10で学習したネットワークを CIFAR-10で再学習

Caltech-10で学習したネットワークを CIFAR-10で再学習

CIFAR-10で学習したネットワークの出⼒を利⽤してCIFAR-10で再学習

Robustness: fine-tuning

! 透かしを埋め込んだモデルをfine-tuningして透かしが消えるか？ " 同⼀ドメインでのfine-tuning (CIFAR-10 → CIFAR-10) " 異なるドメインでのfine-tuning (Caltech-101 → CIFAR-10)

! どちらのケースでもfine-tuningで透かしは消えない

テストエラーも埋め込みなし (8.04%) と同等

Note: Caltech-101 dataset were resized to 32 x 32 for compatibility with the CIFAR-10 dataset though their original sizes is roughly 300 x 200.

埋め込みロスbefore after

! モデル圧縮で透かしが消えるか？ " lossless : Huffman cording [5]

" lossy : weight quantization[5, 6], parameter pruning [5, 6]

Robustness: model compression

[5] S. Han, H. Mao, and W. J. Dally. Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. In Proc. of ICLR, 2016. [6] S. Han, J. Pool, J. Tran, and W. J. Dally. Learning both weights and connections for efficient neural networks. In Proc. of NIPS, 2015.

! 重みパラメータのうち、⼩さいもの (Ascending) N %を0とした際の埋め込みロスと透かしのビットエラー率

! パラメータの65%を削除してもビットエラー率は0

Robustness: compression (parameter pruning)

Em

bedd

ing

loss

Pruning rate 0.0 0.2 0.4 0.6 0.8 1.0

Bit

erro

r rat

e

0.5

0.4

0.3

0.2

01

0.0

Pruning rate 0.2 0.4 0.6 0.8 1.00.0

DISCUSSION

! It is well-known that deep neural networks have many local minima, and all local minima are almost optimal [8, 9].

Why Did Our Approach Work So Well?

[7] A. Choromanska et al. The loss surfaces of multilayer networks. In Proc. of AISTATS, 2015. [8] Y. Dauphin et al. Identifying and attacking the saddle point problem in high-dimensional non-convex optimization. In Proc. of NIPS, 2014.

Loss

Parameter space

Standard SGD

! It is well-known that deep neural networks have many local minima, and all local minima are almost optimal [8, 9].

!  Our embedding regularizer guides model parameters toward a local minima, which has the desired watermark.

! Let us assume that we want to embed the watermark “11”…

Why Did Our Approach Work So Well?

[7] A. Choromanska et al. The loss surfaces of multilayer networks. In Proc. of AISTATS, 2015. [8] Y. Dauphin et al. Identifying and attacking the saddle point problem in high-dimensional non-convex optimization. In Proc. of NIPS, 2014.

Loss

Parameter space00 01 10 11

Detected watermark

Standard SGD

SGD with Embedding Loss

! Limitations " Watermark overwriting " Robustness against distilling, model transformations

! Alternatives to the watermarking approach " Digital fingerprinting

Future Work

…and many other things remain as future work. (see paper!)

1.  Deep Neural Networks (DNN) への電⼦透かしの埋め込みという新たな問題を提起

"  DNNへの電⼦透かしへの要求項⽬、埋め込みパターン、攻撃パターンを定義

2.  DNNへの電⼦透かしの埋め込み⽅法として汎⽤的な⼿法を提案 "  電⼦透かしを埋め込む損失関数を定義することで学習時に埋め込み

3.  広範な実験によりDNNへの電⼦透かしの埋め込みの実現性を検証 "  様々な埋め込みパターンでホストネットワークの性能を低下させずに

埋め込み可能であることを⽰した "  Fine-tuningやパラメータpruningにロバストであることを⽰した

Conclusions

Our code is available at https://github.com/yu4u/dnn-watermark .

Thank you! For more details, please refer to… Y. Uchida, Y. Nagai, S. Sakazawa, and S. Satoh, “Embedding Watermarks into Deep Neural Networks,” in Proc. of International Conference on Multimedia Retrieval 2017.

Embedding Watermarks into Deep Neural Networks

Technology

Transcript of Embedding Watermarks into Deep Neural Networks