扰动诱导的线性化：仅使用线性分类器构建不可学习的数据

收集 web 数据训练深度模型已变得越来越常见，这引发了对未经授权数据使用问题的担忧。为缓解此问题，不可学习的示例在数据中引入不可察觉的扰动，防止模型有效学习。然而，现有方法通常依赖深度神经网络作为扰动生成的替代模型，导致计算成本高昂。本文提出了扰动诱导的线性化（PIL），一种计算效率高且有效的方法，使用仅线性替代模型生成扰动。PIL achieves comparable or better performance than existing surrogate-based methods while dramatically reducing computational time. 我们进一步揭示了不可学习示例背后关键机制：诱导深度模型的线性化，这解释了为何 PIL 能在极短时间内实现竞争性能。此外，我们提供了关于基于百分比的部分扰动下不可学习示例属性的分析。我们的工作不仅提供了一个实用的数据保护方法，也为什么不可学习示例有效提供了见解。