🤖 AI

Protecting Deep Neural Network Intellectual Property with Chaos-Based White-Box Watermarking

यह शोधपत्र एक लचीला व्हाइट-बॉक्स वॉटरमार्किंग फ्रेमवर्क प्रस्तावित करता है जो लॉजिस्टिक मैप-जनित अराजक अनुक्रमों (chaotic sequences) का उपयोग करके डीप न्यूरल नेटवर्क के मापदंडों में स्वामित्व की जानकारी को एम्बेड करता है और एक जेनेटिक एल्गोरिदम के माध्यम से स्वामित्व को सत्यापित करता है, जिससे मॉडल फाइन-ट्यूनिंग के बाद भी उच्च पहचान दर और नगण्य सटीकता हानि प्राप्त होती है।

मूल लेखक: Sangeeth B, Serena Nicolazzo, Deepa K., Vinod P

प्रकाशित 2026-03-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sangeeth B, Serena Nicolazzo, Deepa K., Vinod P

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपने वर्षों, हजारों डॉलर और अनगिनत घंटों की नींद खर्च करके एक अत्यधिक बुद्धिमान रोबोट (एक डीप न्यूरल नेटवर्क) को बिल्लियों को पहचानने, बीमारियों का निदान करने या कार चलाने के लिए प्रशिक्षित किया है। यह रोबोट आपकी उत्कृष्ट कृति है, आपकी "बौद्धिक संपदा" (Intellectual Property)।

अब, कल्पना कीजिए कि किसी ने आपका रोबोट चुरा लिया, उसमें थोड़ा सा बदलाव किया और दावा किया कि यह उनका है। आप यह कैसे साबित करेंगे कि यह आपका है, बिना रोबोट को तिजोरी में बंद किए?

यह शोध पत्र एक चतुर समाधान प्रस्तावित करता है: AI के लिए एक "केओस-आधारित अदृश्य टैटू" (Chaos-Based Invisible Tattoo)।

यहाँ बताया गया है कि यह सरल उपमाओं का उपयोग करते हुए कैसे काम करता है।

1. समस्या: "कॉपी-पेस्ट" संस्कृति

सॉफ्टवेयर की दुनिया में, आप अपने कोड को पासवर्ड और लाइसेंस से सुरक्षित कर सकते हैं। लेकिन AI मॉडल केवल संख्याओं की सूचियाँ (weights) होते हैं। यदि कोई उन संख्याओं को कॉपी कर लेता है, तो उनके पास आपका पूरा मस्तिष्क आ जाता है। वे उन संख्याओं में थोड़ा बदलाव कर सकते हैं (जैसे कि एक गुप्त सॉस रेसिपी में कुछ सामग्रियों को बदलना) और दावा कर सकते हैं कि नया संस्करण उनका है।

2. समाधान: "केओस टैटू" (Chaos Tattoo)

लेखक एक विधि प्रस्तावित करते हैं जिसे व्हाइट-बॉक्स वॉटरमार्किंग (White-Box Watermarking) कहा जाता है। इसे अपने रोबोट की त्वचा पर स्टिकर लगाने के बजाय, उसके मस्तिष्क की कोशिकाओं (आंतरिक भार/weights) पर एक गुप्त संदेश के रूप में टैटू बनाने के रूप में समझें।

स्याही (Chaos): "Property of Sangeeth" जैसा सरल संदेश लिखने के बजाय, वे केओस थ्योरी (Chaos Theory) का उपयोग करते हैं। कल्पना कीजिए कि एक मौसम प्रणाली या एक दोहरे पेंडुलम (double pendulum) को बेतहाशा झूलते हुए देखें। यह यादृच्छिक (random) दिखता है, लेकिन वास्तव में यह सख्त गणितीय नियमों का पालन करता है।
- वे एक विशिष्ट अनुक्रम (sequence) उत्पन्न करने के लिए एक विशिष्ट सूत्र (Logistic Map) का उपयोग करते हैं।
- गुप्त कुंजी (The Secret Key): इस विशिष्ट अनुक्रम को उत्पन्न करने के लिए, आपको तीन गुप्त सामग्रियों की आवश्यकता होती है: एक शुरुआती संख्या, एक नियंत्रण नॉब (control knob), और एक छोटा स्केलिंग फैक्टर। इन सटीक तीन संख्याओं के बिना, आप उस अनुक्रम को फिर से नहीं बना सकते। यह एक ताले की तरह है जो केवल एक विशिष्ट, जटिल संयोजन के साथ खुलता है।
टैटू (Embedding): वे इस केओटिक अनुक्रम को रोबोट के मस्तिष्क में धीरे से इंजेक्ट करते हैं। वे पूरे मस्तिष्क को फिर से नहीं लिखते; वे बस कुछ विशिष्ट न्यूरॉन्स (weights) को बहुत मामूली, लगभग अदृश्य मात्रा में बदलते हैं।
- उपमा: कल्पना कीजिए कि एक मास्टर शेफ सूप के एक बड़े बर्तन में दुर्लभ मसाले का एक एकल दाना डालता है। स्वाद (रोबोट का प्रदर्शन) नहीं बदलता, लेकिन सूप का "DNA" अब उस विशिष्ट दाने को धारण करता है।

3. रोबोट को स्वस्थ रखना (Fidelity)

एक बड़ी चिंता यह है: "क्या यह टैटू रोबोट को नुकसान पहुँचाएगा?"
लेखकों ने पाया कि क्योंकि परिवर्तन इतना सूक्ष्म है, इसलिए रोबोट पूरी तरह से काम करता रहता है। वास्तव में, "टैटू" जोड़ने के बाद, उन्होंने रोबोट को उसके मूल प्रशिक्षण डेटा पर एक त्वरित "रिफ्रेशर कोर्स" (fine-tuning) दिया। इसने किसी भी छोटी बाधा को दूर कर दिया, जिससे यह सुनिश्चित हुआ कि रोबोट की सटीकता 99%+ बनी रहे। टैटू रोबोट के कार्यों के लिए अदृश्य है।

4. स्वामित्व सिद्ध करना: "जेनेटिक डिटेक्टिव" (The Genetic Detective)

अब, रोबोट चोरी हो गया है। चोर दावा करता है, "यह मेरा रोबोट है!" आप कैसे साबित करेंगे कि यह आपका है?

आप केवल संख्याओं को नहीं देख सकते; वे रैंडम शोर की तरह दिखते हैं। आपको एक जासूस की आवश्यकता है।

जासूस (Genetic Algorithm): लेखक विकास (evolution) से प्रेरित एक कंप्यूटर प्रोग्राम का उपयोग करते हैं (जैसे प्राकृतिक चयन)।
मिशन: जासूस उन तीन गुप्त सामग्रियों का अनुमान लगाने की कोशिश करता है (शुरुआती संख्या, नॉब और स्केल) जिन्होंने टैटू बनाया था।
प्रक्रिया:
1. जासूस सामग्रियों का एक सेट अनुमान लगाता है।
2. वह एक "नकली" केओटिक अनुक्रम उत्पन्न करता है।
3. वह नकली अनुक्रम की तुलना चोरी किए गए रोबोट के मस्तिष्क में पाई गई वास्तविक संख्याओं से करता है।
4. यदि वे मेल नहीं खाते, तो वह "नया अनुमान" पैदा करता है, सबसे अच्छे अनुमानों को रखता है और उनमें थोड़ा बदलाव (mutation) करता है, ठीक विकास की तरह।
5. वह तब तक हजारों बार दोहराता है जब तक कि वह सटीक मूल सामग्रियों को नहीं खोज लेता जिन्होंने टैटू बनाया था।

यदि जासूस आपकी गुप्त सामग्रियों को सफलतापूर्वक खोज लेता है, तो आप जीत जाते हैं। आपने गणितीय रूप से सिद्ध कर दिया है कि रोबोट आपका है। यदि चोर किसी अन्य रोबोट का उपयोग करने का प्रयास करता है (जिसे उन्होंने चुराया नहीं है), तो जासूस आपके विशिष्ट गुप्त सामग्रियों को खोजने में विफल रहेगा।

5. यह विशेष क्यों है? ("केओस" का लाभ)

पुराने तरीके स्थिर वॉटरमार्क (जैसे एक निश्चित पैटर्न) का उपयोग करते थे। हैकर्स अंततः पैटर्न को समझ सकते थे और उसे मिटा सकते थे, जैसे टैटू को घिसकर साफ करना।

लेकिन केओस (Chaos) अलग है।

उपमा: एक तूफान में गिरते हुए पत्ते के सटीक पथ का अनुमान लगाने की कोशिश करें। यदि आपके शुरुआती अनुमान में सूक्ष्म मात्रा में भी अंतर है, तो पत्ता पूरी तरह से अलग जगह पर समाप्त होगा।
क्योंकि अनुक्रम शुरुआती संख्याओं के प्रति बहुत संवेदनशील है, इसलिए चोर के लिए "कुंजी" का अनुमान लगाना या रोबोट के मस्तिष्क को नष्ट किए बिना टैटू को हटाना अविश्वसनीय रूप से कठिन है।

6. "एक्स-रे" दृष्टि (Visual Proof)

पेपर एक बैकअप योजना का भी उल्लेख करता है। यदि आप रोबोट के मस्तिष्क में संख्याओं के "घनत्व" (density) को देखते हैं (जैसे एक्स-रे), तो वॉटरमार्क्ड रोबोट एक रैंडम रोबोट या चोरी किए गए रोबोट से थोड़ा अलग दिखता है। यह एक उंगली के निशान (fingerprint) को देखने जैसा है; टैटू का पैटर्न एक अद्वितीय दृश्य हस्ताक्षर छोड़ता है जिसे विशेषज्ञ पहचान सकते हैं।

सारांश

यह शोध पत्र एक तरीका प्रस्तुत करता है:

एक गुप्त कुंजी का उपयोग करके AI के मस्तिष्क में एक अद्वितीय, केओटिक हस्ताक्षर को टैटू (Tattoo) बनाना।
टैटू को बहुत सूक्ष्म बनाकर और इसे एक त्वरित रिफ्रेशर देकर AI को पूरी तरह से कार्यशील रखना।
बाद में एक विकासवादी "जासूस" का उपयोग करके गुप्त कुंजी का पीछा करके स्वामित्व सिद्ध करना।

यह यह कहने का एक मजबूत, लचीला तरीका है कि, "यह AI मेरा है," भले ही कोई इसमें बदलाव करने या इसे चुराने की कोशिश करे।

यहाँ शोध पत्र "Protecting Deep Neural Network Intellectual Property with Chaos-Based White-Box Watermarking" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

डीप न्यूरल नेटवर्क (DNN) के तीव्र प्रसार ने बौद्धिक संपदा (IP) संरक्षण की एक महत्वपूर्ण आवश्यकता पैदा कर दी है। प्रशिक्षित मॉडल डेटा, गणना और विशेषज्ञता में महत्वपूर्ण निवेश का प्रतिनिधित्व करते हैं, फिर भी उन्हें बिना पहचान के आसानी से कॉपी, पुनर्वितरित या पुनरुप्यीकृत किया जा सकता है।

चुनौती: पारंपरिक सॉफ्टवेयर लाइसेंसिंग DNNs के लिए अपर्याप्त है, क्योंकि इन्हें अक्सर पैरामीटर फाइलों के रूप में वितरित किया जाता है। मौजूदा वॉटरमार्किंग तकनीकें कई सीमाओं का सामना करती हैं:
- नाजुकता (Fragility): कई विधियों को फाइन-ट्यूनिंग, प्रूनिंग (pruning) या क्वांटाइजेशन (quantization) द्वारा आसानी से तोड़ा जा सकता है।
- स्थिर संकेत (Static Signals): हस्तनिर्मित या स्थिर वॉटरमार्क संकेतों को पैरामीटर स्मूथिंग या एडवरसैरियल ट्रेनिंग के माध्यम से हटाया जा सकता है।
- प्रदर्शन में गिरावट (Performance Degradation): कुछ विधियों के लिए प्रशिक्षण पाइपलाइन को बदलने या शून्य से पुनः प्रशिक्षण (retraining) की आवश्यकता होती है, जो तीसरे पक्ष या पुराने मॉडलों के लिए व्यवहार्य नहीं है।
- ब्लैक-बॉक्स सीमाएँ (Black-box Limitations): हालांकि ब्लैक-बॉक्स विधियाँ मौजूद हैं, वे अक्सर कम मजबूत होती हैं और ट्रिगर इनवर्जन (trigger inversion) के प्रति संवेदनशील होती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक व्हाइट-बॉक्स वॉटरमार्किंग फ्रेमवर्क प्रस्तावित करते हैं जो अराजक अनुक्रमों (chaotic sequences) का उपयोग करके स्वामित्व जानकारी को सीधे एक पूर्व-प्रशिक्षित (pre-trained) DNN के आंतरिक भार (weights) में एम्बेड करता है और विकासवादी एल्गोरिदम (evolutionary algorithms) का उपयोग करके स्वामित्व को सत्यापित करता है। यह फ्रेमवर्क दो मुख्य चरणों से बना है:

A. वॉटरमार्क जनरेशन और एम्बेडिंग (Watermark Generation and Embedding)

अराजक अनुक्रम जनरेशन (Chaotic Sequence Generation):
- वॉटरमार्क एक लॉजिस्टिक मैप (Logistic Map) का उपयोग करके उत्पन्न किया जाता है, जो एक नियत अराजक फलन (deterministic chaotic function) है, जिसे इस प्रकार परिभाषित किया गया है: $x_{n+1} = r \cdot x_n \cdot (1 - x_n)$ ।
- गुप्त कुंजी (Secret Key): जनरेशन तीन मापदंडों पर निर्भर करता है: लॉजिस्टिक स्थिरांक ( $r$ ), प्रारंभिक मान ( $x_0$ ), और एक स्केलिंग कारक ( $\epsilon$ )। अराजक प्रणालियों की प्रारंभिक स्थितियों के प्रति संवेदनशीलता के कारण, ये पैरामीटर एक अद्वितीय, अप्रत्याशित हस्ताक्षर के रूप में कार्य करते हैं।
- अनुक्रम की लंबाई एक चयनित मध्यवर्ती परत (intermediate layer) के भारों की संख्या के बराबर होती है।
एम्बेडिंग प्रक्रिया (Embedding Process):
- अराजक अनुक्रम को एक पूर्व-प्रशिक्ित मॉडल की चुनी गई मध्यवर्ती परत के भारों में इंजेक्ट किया जाता है।
- संशोधन (Modification): प्रत्येक भार $w_i$ को इस प्रकार अपडेट किया जाता है: $w'_i = w_i + \epsilon \cdot c_i$ , जहाँ $c_i$ एक अराजक मान है।
- फाइन-ट्यूनिंग (Fine-Tuning): सटीकता हानि को न्यूनतम करने के लिए, वॉटरमार्क वाले मॉडल को मूल प्रशिक्षण डेटा पर कम लर्निंग रेट (मूल का 1/10वाँ) के साथ एक संक्षिप्त फाइन-ट्यूनिंग चरण से गुजरना पड़ता है। यह एम्बेडेड सिग्नल को संरक्षित करते हुए प्रदर्शन को बहाल करता है।

B. वॉटरमार्क सत्यापन (Watermark Verification)

सत्यापन व्हाइट-बॉक्स एक्सेस (मॉडल भार तक पहुंच) को मानता है।

सिग्नल निष्कर्षण (Signal Extraction): सत्यापनकर्ता संदिग्ध मॉडल के भार ( $W_{ft}$ ) और एक संदर्भ वॉटरमार्क मॉडल ( $W_{wm}$ ) के बीच अंतर की गणना करता है: $\Delta W = W_{ft} - W_{wm}$ । यह एम्बेडेड वॉटरमार्क सिग्नल को अलग करता है।
जेनेटिक एल्गोरिदम (GA) अनुकूलन:
- चूंकि सत्यापनकर्ता को मूल पैरामीटर ( $r, x_0, \epsilon$ ) का पता नहीं होता है, इसलिए एक जेनेटिक एल्गोरिदम (GA) का उपयोग उन इष्टतम मापदंडों को खोजने के लिए किया जाता है जो मूल सिग्नल से मेल खाने वाला अराजक अनुक्रम पुनर्जीवित करते हैं।
- फिटनेस फंक्शन (Fitness Function): GA निकाले गए सिग्नल और पुनर्जीवित अनुक्रम के बीच मीन स्क्वेर्ड एरर (MSE) और कोरिलेशन डिस्टेंस (Correlation Distance) के भारित संयोजन को कम करता है।
- विकासवादी संचालन (Evolutionary Operations): एल्गोरिदम जनसंख्या को मूल मानों की ओर विकसित करने के लिए टूर्नामेंट सिलेक्शन (tournament selection), ब्लेंड क्रॉसओवर (blend crossover), और गॉसियन म्यूटेशन (Gaussian mutation) का उपयोग करता है।
सहायक पहचान (Auxiliary Detection):
- वेट डेंसिटी एनालिसिस (Weight Density Analysis): वॉटरमार्क किए गए मॉडलों को यादृच्छिक या फाइन-ट्यून किए गए मॉडलों से अलग करने के लिए भार वितरण का दृश्य विश्लेषण।
- एक्टिवेशन-आधारित वर्गीकरण (Activation-Based Classification): DNN के आंतरिक एक्टिवेशन पैटर्न पर एक हल्का लॉजिस्टिक्स रिग्रेशन (Logistic Regression) क्लासिफायर प्रशिक्षित किया जाता है ताकि मूल, वॉटरमार्क किए गए और छेड़छाड़ किए गए मॉडलों के बीच अंतर किया जा सके।

3. प्रमुख योगदान (Key Contributions)

अराजक अनुक्रम एम्बेडिंग (Chaotic Sequence Embedding): लॉजिस्टिक मैप-आधारित अराजक अनुक्रमों का उपयोग करके एक नवीन विधि पेश करता है, जो स्थिर संकेतों की तुलना में उच्च अप्रत्याशितता और हटाने के प्रति प्रतिरोध प्रदान करती है।
पोस्ट-ट्रेनिंग संगतता (Post-Training Compatibility): इसके लिए मॉडल को शून्य से पुनः प्रशिक्षित करने या मूल प्रशिक्षण पाइपलाइन को संशोधित करने की आवश्यकता नहीं है; यह एक हल्के फाइन-ट्यूनिंग चरण के साथ पूर्व-प्रशिक्षित मॉडलों पर कार्य करता है।
GA-आधारित सत्यापन (GA-Based Verification): मूल अराजक मापदंडों को पुनर्जीवित करने के लिए जेनेटिक एल्गोरिदम का उपयोग करके एक मजबूत सत्यापन तंत्र प्रस्तावित करता है, जो मॉडल परिवर्तनों (perturbations) के बाद भी विश्वसनीयता सुनिश्चित करता है।
बहु-स्तरीय सत्यापन रणनीति (Multi-Layered Verification Strategy): बढ़ी हुई विश्वसनीयता के लिए मात्रात्मक पैरामीटर रिकवरी को गुणात्मक दृश्य विश्लेषण (वेट डेंसिटी) और मशीन लर्निंग-आधारित वर्गीकरण (एक्टिवेशंस पर लॉजिस्टिक रिग्रेशन) के साथ जोड़ता है।
उच्च निष्ठा (High Fidelity): यह प्रदर्शित करता है कि वॉटरमार्किंग प्रक्रिया भविष्य कहने वाली सटीकता (predictive accuracy) में नगण्य हानि लाती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस दृष्टिकोण का मूल्यांकन MNIST और CIFAR-10 डेटासेट का उपयोग करके कनवल्शनल न्यूरल नेटवर्क (CNNs) पर किया गया।

फिडेलिटी (सटीकता):
- MNIST: वॉटरमार्क वाले मॉडल ने मामूली सटीकता सुधार (0.9945 $\to$ 0.9957) दिखाया, जो एक संभावित रेगुलराइजिंग प्रभाव का सुझाव देता है।
- CIFAR-10: एक मामूली सटीकता गिरावट देखी गई (0.7326 $\to$ 0.7279), लेकिन प्रदर्शन स्वीकार्य सीमाओं के भीतर रहा।
मजबूती (Fine-Tuning Attacks):
- मॉडल को फाइन-ट्यूनिंग हमलों (कम लर्निंग रेट के साथ मूल डेटा पर पुनः प्रशिक्षण) के अधीन किया गया।
- रिकवरी: जेनेटिक एल्गोरिदम ने उच्च सटीकता के साथ मूल मापदंडों ( $r, x_0, \epsilon$ ) को सफलतापूर्वक पुनर्प्राप्त किया। उदाहरण के लिए, MNIST पर, वास्तविक और रिकवर्ड $r$ के बीच का अंतर केवल 0.011 था, जबकि एक रैंडम मॉडल के लिए यह 0.25 था।
- फॉल्स पॉजिटिव्स (False Positives): सिस्टम ने असंबंधित मापदंडों के साथ वॉटरमार्क किए गए मॉडलों को सही ढंग से खारिज कर दिया, जो स्वामित्व के गलत दावों के प्रति प्रतिरोध प्रदर्शित करता है।
सहायक पहचान प्रदर्शन (Auxiliary Detection Performance):
- लॉजिस्टिक रिग्रेशन क्लासिफायर ने मॉडल के प्रकारों को अलग करने में लगभग पूर्ण सटीकता प्राप्त की:
  - MNIST: 7,920 नमूनों में से 1 त्रुटि।
  - CIFAR-10: 29,049 नमूनों में से 1 त्रुटि।
अभिसरण (Convergence): GA फिटनेस कर्व्स ने वॉटरमार्क किए गए मॉडलों के लिए इष्टतम समाधानों की ओर स्थिर अभिसरण दिखाया, जबकि गैर-वॉटरमार्क वाले मॉडलों के लिए कम त्रुटि मानों तक अभिसरण करने में विफल रहे।

5. महत्व और सीमाएँ (Significance and Limitations)

महत्व:

IP संरक्षण: प्रशिक्षण डेटा तक पहुँच की आवश्यकता के बिना मॉडलों के स्वामित्व को स्थापित करने के लिए एक व्यावहारिक समाधान प्रदान करता है।
लचीलापन (Resilience): अराजक अनुक्रमों और विकासवादी खोज का उपयोग इसे फाइन-ट्यूनिंग के माध्यम से हटाना या जालसाजी करना कठिन बनाता है।
लचीलापन (Flexibility): मॉडल जीवन चक्र के विभिन्न चरणों (पोस्ट-ट्रेनिंग) के लिए लागू करने योग्य और मौजूदा आर्किटेक्चर के साथ संगत है।

सीमाएँ:

व्हाइट-बॉक्स आवश्यकता: इस पद्धति के लिए आंतरिक भार तक पहुंच की आवश्यकता होती है, जो ब्लैक-बॉक्स परिदृश्यों (जैसे MLaaS API) में इसके उपयोग को सीमित करती है।
कंप्यूटेशनल लागत: बहुत बड़े मॉडलों या लंबे अनुक्रमों के लिए GA-आधारित सत्यापन कम्प्यूटेशनल रूप से महंगा हो सकता है।
आर्किटेक्चर विशिष्टता: प्रयोग CNNs तक सीमित थे; ट्रांसफॉर्मर्स (Transformers) या RNNs पर इसकी प्रयोज्यता अभी भी अपुष्ट है।
पेलोड क्षमता (Payload Capacity): वर्तमान में यह विशिष्ट मल्टी-बिट पहचानकर्ताओं (जैसे विशिष्ट ओनर आईडी या मेटाडेटा) के बजाय एक निरंतर अराजक अनुक्रम को एम्बेड करता है।
हमले का दायरा: मजबूती मुख्य रूप से फाइन-ट्यूनिंग के विरुद्ध परीक्षण की गई थी; प्रूनिंग, क्वांटाइजेशन या मॉडल एक्सट्रैक्शन के विरुद्ध मजबूती के लिए और अधिक सत्यापन की आवश्यकता है।

निष्कर्ष (Conclusion)

यह शोध पत्र एक मजबूत, व्हाइट-बॉक्स वॉटरमार्किंग फ्रेमवर्क प्रस्तुत करता है जो बौद्धिक संपदा संरक्षण और मॉडल उपयोगिता के बीच प्रभावी ढंग से संतुलन बनाता है। अराजक प्रणालियों की अप्रत्याशितता और जेनेटिक एल्गोरिदम की खोज क्षमताओं का लाभ उठाकर, लेखक प्रदर्शित करते हैं कि यह विधि फाइन-ट्यूनिंग हमलों के प्रति लचीली है और उच्च मॉडल फिडेलिटी बनाए रखती है, जो वास्तविक दुनिया के परिदृश्यों में डीप लर्निंग संपत्तियों को सुरक्षित करने के लिए एक व्यवहार्य उपकरण प्रदान करती है।