重新思考针对深度神经网络的数据可用性攻击
密码学与安全
2023-05-19 v1 计算机视觉与模式识别
摘要
将个人数据未经授权用于商业目的，以及秘密获取私有数据以训练机器学习模型，持续引发担忧。针对这些问题，研究人员提出了旨在使数据不可用的可用性攻击。然而，许多当前的攻击方法在对抗训练下失效。在本文中，我们重新审视不可学习样本的概念，并认识到现有的鲁棒误差最小化噪声给出了不准确的优化目标。基于这些观察，我们引入了一种新的优化范式，以更少的计算时间需求获得更好的保护效果。我们进行了大量实验以证实我们方法的合理性。此外，我们的方法为该领域未来的研究建立了鲁棒的基础。
引用
@article{arxiv.2305.10691,
title = {Re-thinking Data Availablity Attacks Against Deep Neural Networks},
author = {Bin Fang and Bo Li and Shuang Wu and Ran Yi and Shouhong Ding and Lizhuang Ma},
journal= {arXiv preprint arXiv:2305.10691},
year = {2023}
}