利用反学习扰动保护生物医学图像免受未授权训练
机器学习
2023-03-07 v1 密码学与安全
计算机视觉与模式识别
图像与视频处理
摘要
开源生物医学数据的数量对于医疗界各领域的发展至关重要，因为更多“免费”数据能为个体研究者提供更多贡献的机会。然而，机构往往因数据被未授权第三方用于其他商业用途（例如训练AI模型）的风险而犹豫是否公开共享其数据。这种现象可能阻碍整个医疗研究社区的发展。为解决此担忧，我们提出一种称为“不可学习生物医学图像”的新方法，通过向数据中注入不可感知但具欺骗性的噪声来保护生物医学数据，使其无法被AI模型利用。我们将该问题表述为双层优化，并提出三类反学习扰动生成方法来求解。我们的方法是鼓励更多机构为研究界的长期发展贡献数据的重要一步。
引用
@article{arxiv.2303.02559,
title = {Securing Biomedical Images from Unauthorized Training with Anti-Learning Perturbation},
author = {Yixin Liu and Haohui Ye and Kai Zhang and Lichao Sun},
journal= {arXiv preprint arXiv:2303.02559},
year = {2023}
}
备注
This paper is accepted as a poster for NDSS 2023