MTL-UE：学习为多任务学习生成不可撤回示例
机器学习
2025-05-09 v1 密码学与安全
计算机视觉与模式识别
摘要
大多数现有不可撤回策略专注于防止未授权用户使用个人数据训练单任务学习（STL）模型。然而，范式最近转向多任务数据和多任务学习（MTL），旨在针对能够同时处理多个任务的通用人工智能模型。尽管其重要性日益突出，MTL数据和模型在追求不可撤回策略时仍被大量忽略。本文提出了MTL-UE，即第一个为多任务数据和MTL模型生成不可撤回示例的统一框架。我们设计了基于生成器的结构，引入标签先验和类别级特征嵌入，从而实现更佳的攻击性能。此外，MTL-UE集成了任务内和任务间嵌入正则化，以增加类别间间隔并抑制类别内方差，从而显著增强攻击鲁棒性。Furthermore, MTL-UE在MTL中对密集预测任务支持良好，并且实现即插即用，允许将现有的基于代理依赖的不可撤回方法轻松集成。广泛的实验表明，MTL-UE在4个MTL数据集、3个基础UE方法、5个模型骨干网络和5种MTL任务权重策略上均实现了优异的攻击性能。
引用
@article{arxiv.2505.05279,
title = {MTL-UE: Learning to Learn Nothing for Multi-Task Learning},
author = {Yi Yu and Song Xia and Siyuan Yang and Chenqi Kong and Wenhan Yang and Shijian Lu and Yap-Peng Tan and Alex C. Kot},
journal= {arXiv preprint arXiv:2505.05279},
year = {2025}
}
备注
Accepted by ICML 2025