面向时间序列的不可学习样本

不可学习样本 是指经过修改后对深度神经网络 (DNNs) 不可学习的训练样本。这些样本通常是通过添加误差最小化噪声生成的，这种噪声可以欺骗 DNN 模型，使其认为数据中没有任何东西（没有误差）可学。UE 的概念被提出作为针对个人数据上未经授权数据利用的对抗措施。虽然 UE 在图像上已被广泛研究，但尚不清楚如何为时间序列数据设计有效的 UE。在这项工作中，我们引入了首个 UE 生成方法，以保护时间序列数据免受深度学习模型的未经授权训练。为此，我们提出了一种新形式的误差最小化噪声，可以\emph{选择性地}应用于时间序列的特定片段，使其对 DNN 模型不可学习，同时对人类观察者保持不可感知。通过在广泛的时间序列数据集上进行的大量实验，我们证明所提出的 UE 生成方法在分类和生成任务中都是有效的。它可以保护时间序列数据免受未经授权的利用，同时保留其对合法用途的效用，从而有助于安全可信机器学习系统的发展。