Краткое содержание

arXiv:2410.20202v2 Тип объявления: замена Аннотация: Быстрое распространение глубоких нейронных сетей (DNN) стимулирует рост технологий водяных знаков моделей, поскольку сами натренированные модели представляют собой ценный объект интеллектуальной собственности. Современные методы внедрения водяных знаков преимущественно сосредоточены на модификации параметров модели или изменении поведения выборки. Однако с появлением всё более крупных моделей повышение эффективности встраивания водяного знака становится критически важным для управления растущими вычислительными потребностями. Повышение эффективности не только оптимизирует использование ресурсов, делая процесс маркировки применимым для больших моделей, но также снижает потенциальное ухудшение производительности модели. В данной статье мы предлагаем эффективный метод внедрения водяного знака для латентных диффузионных моделей (LDM), основанный на низкоранговых адаптациях (LoRA). Основная идея заключается во введении тренируемых низкоранговых параметров в замороженную LDM для встраивания водяного знака, сохраняя целостность исходной модели.