本文提出了一种基于密码学的水印框架，旨在保护脑电图神经网络的知识产权。该框架在训练过程中嵌入水印，确保高可靠性和低失真，并在对抗性攻击下保持良好的分类准确率，为医疗和生物识别领域提供安全解决方案。

本研究提出了一种名为神经蜜追踪的水印框架，旨在解决深度学习模型的提取攻击问题。该框架无需额外训练，采用多步水印信息传输策略，显著增强了抵抗自适应攻击的能力。实验结果显示，其效率和攻击抵御能力优于现有方法，版权声明所需样本数量从12000减少至200。

本研究提出了一种名为FreeMark的水印框架，解决了深度神经网络（DNN）知识产权保护中的挑战。该方法能够安全提取水印信息，避免了性能损失。研究结果表明，FreeMark在抗水印删除攻击方面表现出色，同时保持高水印容量。

本文探讨了合成图像检测的最新进展，提出了一种基于反转特征的新型检测器，能够有效识别高视觉保真度的生成图像。研究表明，该检测器在多种设置下表现优异，并引入了新的评估协议以减少偏见。此外，提出了一种无需训练的水印框架，增强了图像的可追溯性和安全性。