通过解耦短路嵌入实现不可训练的表格数据
机器学习
2026-02-11 v2
摘要
不可训练示例(UE)已成为防止未授权模型在私有视觉数据上训练的实用机制，而将这种保护扩展到表格数据则颇具挑战。金融和医疗领域的表格数据高度敏感，但现有的UE方法在迁移到表格数据时效果不佳，因为表格特征将混合数值和类别约束，并表现出显著稀疏性，学习主要由少数维度主导。在谱主导条件下，我们展示了当毒性谱压倒干净语义谱时，可以实现认证的不可训练性。基于这一分析，我们提出了通过解耦短路嵌入实现不可训练的表格数据(UTOPIA)，该方法利用特征冗余将优化解耦为两个通道：用于语义混淆的高显著性特征和用于嵌入高度相关短路的低显著性冗余特征，从而在保持表格有效性的同时实现约束感知的主导短路。广泛的实验显示，UTOPIA驱动的未授权训练接近随机性能，超过了强大的UE基线方法，并在不同架构之间实现良好的迁移。
引用
@article{arxiv.2602.07358,
title = {UTOPIA: Unlearnable Tabular Data via Decoupled Shortcut Embedding},
author = {Jiaming He and Fuming Luo and Hongwei Li and Wenbo Jiang and Wenshu Fan and Zhenbo Shi and Xudong Jiang and Yi Yu},
journal= {arXiv preprint arXiv:2602.07358},
year = {2026}
}