医学不可逆样本：通过稀疏感知局部遮蔽保障医疗数据免受未授权训练
图像与视频处理
2024-07-09 v2 密码学与安全
计算机视觉与模式识别
机器学习
摘要
AI 在医疗领域的快速扩张导致医疗数据生成和存储激增，推动了医疗 AI 的发展。然而，对未授权使用（如训练商业 AI 模型）的担忧阻碍了研究人员分享宝贵数据集的意愿。为了鼓励数据共享，一个有前景的解决方案是向数据中引入不可感知的噪声。该方法旨在通过诱导训练模型泛化能力的降低来保护数据免受未授权训练。然而，这些方法在应用于医疗数据时并不有效且高效，主要是由于忽略了医疗图像的稀疏性。为此，我们提出了稀疏感知局部遮蔽（SALM）方法，一种新方法，通过对显著像素区域进行选择性扰动而非对整个图像进行扰动。这种简单而有效的方法通过聚焦于局部区域，显著缩小了干扰的搜索空间，并充分利用了稀疏性特征。我们的广泛实验表明，SALM 在 various 数据集和模型架构上有效防止了不同模型的未授权训练，并优于先前的 SoTA 数据保护方法。
引用
@article{arxiv.2403.10573,
title = {Medical Unlearnable Examples: Securing Medical Data from Unauthorized Training via Sparsity-Aware Local Masking},
author = {Weixiang Sun and Yixin Liu and Zhiling Yan and Kaidi Xu and Lichao Sun},
journal= {arXiv preprint arXiv:2403.10573},
year = {2024}
}
备注
Accept by ICML 2024 NextGenAISafety