DivQAT：增强量化卷积神经网络对模型提取攻击的鲁棒性

本文解决了量化卷积神经网络（CNN）容易受到模型提取攻击的脆弱性问题，这对知识产权保护至关重要。它引入了 DivQAT，一种将防御机制直接集成到量化过程中的新颖训练算法。这是一项重大贡献，因为它超越了后训练防御，后者通常计算成本高昂且效果较差，尤其是在资源受限的设备上。本文关注量化模型也很重要，因为它们越来越多地用于边缘设备，而安全是首要任务。当与其他防御机制结合使用时，声称可以提高有效性，这进一步增强了本文的影响力。

• •提出了 DivQAT，一种用于鲁棒量化 CNN 的新颖训练算法。
• •将针对模型提取攻击的防御直接集成到量化过程中。
• •解决了后训练防御机制的局限性。
• •在基准视觉数据集上证明了有效性。
• •与其他防御机制结合使用时，可提高有效性。