买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明提出了一种基于模型隐藏的所有权确认方法。为保护和确认模型所有者知识产权问题，通过利用深度学习网络的双向训练能力，模型架构能够转置的性质，与反向模型的功能能够仅被模型所有者识别的特点，基于空间索引为反向任务标识数据，实现有效的数据记忆与提取，提供一种新的模型所有权确认方式。

主权项：1.一种基于模型隐藏的所有权确认方法，其特征在于，包括一下步骤：步骤1，收集与项目目标相符的图像或者情感分类文本数据集并进行预处理；步骤2，构建空间索引，使数据集中每个图片具有唯一的索引表示；将数据集中数据的类别信息编码为向量并将其加到索引值上，并采用随机嵌入映射到特定的类；在引入类别信息嵌入之后，设为数据集中所有类别的集合，定义类别嵌入函数为，将每个类别映射到一个唯一的向量属于，将每一个类的空间索引投影到它们对应的区域，对于存在类中的第项图片数据，定义完整的索引器，则得到唯一的索引表示： 其中表示在类中的第项图片，表示第项图片投影在空间上的映射；步骤3，分析初始深度神经网络模型架构并设计转置模型架构，具体过程如下：记录深度神经网络模型架构每层操作及其顺序，每层的权重矩阵；将深度神经网络模型架构的层序列反转，转置每层的权重矩阵，得到转置模型架构，转置后的模型操作包括：对于全连接层，使用转置权重进行矩阵乘法；卷积层，使用转置卷积；池化层，使用上采样；激活函数，保持不变或选择合适的激活函数；深度神经网络模型架构的输入作为转置模型的输出，深度神经网络模型架构的输出作为转置模型的输入；定义转置模型架构的记忆训练目标，即转置模型架构被训练来从其对应的空间索引表示生成特定样本，目标是最小化生成特定样本和期望样本之间的损失；步骤4，基于权重共享对步骤3中的模型进行双向训练，直到模型训练完毕，转置模型隐藏于正向模型中：在正向训练过程中，输入数据按照常规的监督学习任务准备，标签也对应于输入数据的预期输出，输入数据通过模型的各层前向传播，每一层根据其激活函数和当前权重处理数据，直到达到输出层；模型的输出与真实标签比较，通过交叉熵损失用于计算分类任务的预测误差；使用随机梯度下降根据损失函数的梯度反向传播，更新模型的权重，以减少预测误差；同时通过转置模型执行反向训练；对于训练数据中的每个样本计算空间索引表示，使用记忆模型尝试重建样本，得到，计算重建样本和实际样本之间的损失，优化目标是最小化整个训练集上的总损失。

全文数据：

权利要求：

百度查询： 武汉大学 基于模型隐藏的所有权确认方法、设备及计算机可读介质