针对不可学习数据集的非线性变换方法
机器学习
2026-05-25 v2 密码学与安全
摘要
自动爬取是深度学习模型中未经数据所有者授权收集数据的常见方法。近期研究开始关注这种数据收集方法带来的隐私问题。值得注意的方法包括Deepconfuse、误差最小化、误差最大化（也称为对抗性投毒）、神经切向泛化攻击、合成方法、自回归方法、单像素捷径、自集成保护、纠缠特征、鲁棒误差最小化、虚伪方法和TensorClog。这些方法生成的数据被称为“不可学习”样本，深度学习模型无法从中“学习”。在本研究中，我们探索并设计了一种有效的非线性变换框架，并通过大量实验证明，深度神经网络能够有效从上述十二种方法产生的、传统上被认为不可学习的数据/样本中学习。与研究人员最近提出的线性可分技术相比，所提方法提升了破解不可学习数据的能力。具体而言，我们的大量实验表明，对于由这十二种数据保护方法生成的不可学习CIFAR10数据集（除单像素捷径外），改进幅度从0.34%到249.59%不等。此外，与线性可分技术相比，所提框架在自回归和REM方法上的测试准确率提升超过100%。我们的发现表明，这些方法不足以防止机器学习模型中数据的未经授权使用。迫切需要开发更鲁棒的保护机制，以有效阻止攻击者在未经所有者适当授权的情况下访问数据。
引用
@article{arxiv.2406.02883,
title = {Nonlinear Transformations Against Unlearnable Datasets},
author = {Thushari Hapuarachchi and Jing Lin and Kaiqi Xiong and Mohamed Rahouti and Gitte Ost},
journal= {arXiv preprint arXiv:2406.02883},
year = {2026}
}