迈向鲁棒的非迁移学习：综述与基准
机器学习
2025-03-10 v2 密码学与安全
计算机视觉与模式识别
摘要
在过去的几十年里，研究人员主要致力于提升模型的泛化能力，而对这种泛化能力的调节关注有限。然而，模型向非预期数据（例如有害或未授权数据）泛化的能力可能会被恶意对手以不可预见的方式利用，从而可能导致违反模型伦理。非迁移学习（NTL）是一项旨在重塑深度学习模型泛化能力的任务，其提出正是为了应对这些挑战。尽管该领域已提出许多方法，但仍缺乏对现有进展的全面回顾和对当前局限性的深入分析。在本文中，我们通过首次对 NTL 进行全面综述并引入 NTLBench（首个在统一框架下评估 NTL 性能和鲁棒性的基准）来填补这一空白。具体而言，我们首先介绍 NTL 的任务设置、通用框架和标准，随后总结 NTL 的方法。此外，我们强调了一个常被忽视的问题，即抵御各种可能破坏 NTL 所建立的非迁移机制的攻击的鲁棒性。通过 NTLBench 进行的实验验证了现有 NTL 方法在鲁棒性方面的局限性。最后，我们讨论了 NTL 的实际应用，以及未来的方向和相关挑战。
引用
@article{arxiv.2502.13593,
title = {Toward Robust Non-Transferable Learning: A Survey and Benchmark},
author = {Ziming Hong and Yongli Xiang and Tongliang Liu},
journal= {arXiv preprint arXiv:2502.13593},
year = {2025}
}
备注
Code is available at https://github.com/tmllab/NTLBench