用于鲁棒不可学习样本的语义深度隐藏

在深度学习时代，确保数据隐私和保护变得至关重要。不可学习样本通过向数据添加微小扰动来误导深度学习模型，防止数据被未经授权的探索。然而，此类扰动(例如噪声、纹理、颜色变化)主要影响低级特征，使其容易受到常见对抗措施的攻击。相比之下，具有复杂形状的语义图像拥有丰富的高级特征，使其对对抗措施更具弹性，并有可能产生鲁棒的不可学习样本。在本文中，我们提出了一种深度隐藏(DH)方案，该方案自适应地隐藏富含高级特征的语义图像。我们采用可逆神经网络(INN)来不可见地集成预定义图像，通过欺骗性扰动固有地隐藏它们。为增强数据的不可学习性，我们引入了一个潜在特征集中模块，旨在与INN协同工作，正则化这些扰动的类内方差。为进一步提升不可学习样本的鲁棒性，我们设计了一个语义图像生成模块，用于生成隐藏的语义图像。通过利用相似的语义信息，该模块为同一类别内的样本生成相似的语义图像，从而扩大类间距离并缩小类内距离。在CIFAR-10、CIFAR-100和ImageNet子集上针对18种对抗措施进行的大量实验表明，我们提出的方法对不可学习样本展现出卓越的鲁棒性，证明了其在防止未经授权的数据利用方面的有效性。