双分支鲁棒不可学习示例
计算机视觉与模式识别
2026-05-05 v1
摘要
不可学习示例 (UEs) 旨在通过向干净样本注入不可感知的扰动来破坏模型训练。然而，现有的 UE 方案因其启发式设计或范围受限的扰动而在面对先进防御时表现有限。为此，我们提出了 \texttt{DUNE}，一种 \underline{\textbf{D}}ual-branch \underline{\textbf{UN}}learnable \underline{\textbf{E}}nsemble perturbation optimization 方法。具体而言，\texttt{DUNE} 分别在空间域和颜色域上优化扰动，以建立扰动与位移引发标签之间的映射。这种设计扩展了扰动域以提高噪声强度，从而提高鲁棒性，并驱动模型学习扰动导向的特征，表现出退化的泛化，从而实现不可学习性。为强化 \texttt{DUNE} 的性能，我们进一步提出了一种不可学习性增强集成策略，在双分支优化期间聚合多种预训练模型。在 CIFAR-10 和 ImageNet 上进行的大量实验验证了 \texttt{DUNE} 在 7 种主流防御措施下的鲁棒性优于 12 种 SOTA UE 方案，其平均测试准确率为 14.95\% 至 50.82\%。
引用
@article{arxiv.2605.01718,
title = {Dual-branch Robust Unlearnable Examples},
author = {Xianlong Wang and Hangtao Zhang and Wenbo Pan and Ziqi Zhou and Changsong Jiang and Li Zeng and Xiaohua Jia},
journal= {arXiv preprint arXiv:2605.01718},
year = {2026}
}
备注
ICML 2026