看不见的水印，显而易见的收益：基于双层水印设计的机器无学习控制
密码学与安全
2025-08-15 v1 计算机视觉与模式识别
摘要
随着「被遗忘」权利的日益增长，机器无学习（Machine Unlearning, MU）已成为通过消除敏感数据对机器学习（ML）模型影响来提升信任并实现监管合规的关键工具。然而，大多数MU算法主要依赖训练中的方法来调整模型权重，几乎没有探索数据层面调整对无学习过程所能带来的益处。为弥合这一差距，我们提出了一种新方法，利用数字水印技术通过战略性地修改数据内容来促进MU。通过集成水印技术，我们建立了一种受控的无学习机制，能够精确地移除指定数据，同时保持模型对无关任务的实用性。我们首先检验了水marked数据对MU的影响，发现MU对水marked数据具有良好的推广性。基于此，我们引入了增强无学习效果的无学习友好型水印框架，称为Water4MU。Water4MU的核心是双层优化（BLO）框架：在上层，水印网络被优化以最小化无学习难度；在下层，模型独立于水印进行训练。实验结果表明，Water4MU在图像分类和图像生成任务中均对MU有效。值得注意的是，在被称为「挑战性遗忘」的困难MU场景中，Water4MU超越了现有方法。
引用
@article{arxiv.2508.10065,
title = {Invisible Watermarks, Visible Gains: Steering Machine Unlearning with Bi-Level Watermarking Design},
author = {Yuhao Sun and Yihua Zhang and Gaowen Liu and Hongtao Xie and Sijia Liu},
journal= {arXiv preprint arXiv:2508.10065},
year = {2025}
}
备注
Accepted by ICCV 2025