面向可泛化数据保护的迁移式不可学习样本
密码学与安全
2023-05-22 v1 计算机视觉与模式识别
摘要
人工智能（AI）几乎正在对每个领域产生深远影响。促成这一成功的关键因素之一是能够获得大量高质量数据以构建机器学习模型。近来，随着数据在人工智能中的作用显著放大，关于数据的安全使用（尤其在未经授权使用数据的背景下）的担忧随之产生。为缓解数据滥用，数据遗忘（data unlearning）被引入以使数据不可被利用。然而，当前的不可学习样本缺乏广泛适用所需的泛化能力。本文中，我们提出一种新颖的、可泛化的数据保护方法，通过生成可迁移的不可学习样本来实现。据我们所知，这是首个从数据分布视角审视数据隐私的解决方案。通过大量实验，我们证实了所提方法增强的泛化保护能力。
引用
@article{arxiv.2305.11191,
title = {Towards Generalizable Data Protection With Transferable Unlearnable Examples},
author = {Bin Fang and Bo Li and Shuang Wu and Tianyi Zheng and Shouhong Ding and Ran Yi and Lizhuang Ma},
journal= {arXiv preprint arXiv:2305.11191},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2305.10691