Nov, 2023

用基于像素的图像变换破坏基于卷积的无法学习的数据集

PDF
TL;DR通过随机的乘法变换和插值操作，我们成功地提出了一种抵御基于卷积的无法学习数据集的全新图像破坏方法，有效地抑制了基于卷积的无法学习数据集中的乘法噪声的影响，并且在实验证明我们的方法对于这种类型的数据集是最有效的。
unlearnable datasetsgeneralization performanceconvolution-based udsmatrix inconsistencyrandom multiplicative transformation
发现论文，激发创造
  • CUDA: 基于卷积的不可学习数据集

    本文提出了一种新的模型无关的基于卷积的不可学习数据集生成技术：CUDA，可以有效增强深度学习模型的鲁棒性；实验结果表明，CUDA 对数据扩充、训练方法等的鲁棒性较强，并且为了保证模型的数据隐私性，该技术是可靠的。

    Mar, 2023

  • 扩散模型无法学习的示例：保护数据免受未经授权的利用

    本文提出了一种针对 Diffusion Model 的保护图像的方法，通过生成样本特定的扰动噪声使训练数据难以被 Diffusion Model 学习，以此保护隐私和版权。

    Jun, 2023

  • 非线性转换对抗无法学习的数据集

    我们研究和设计了一个有效的非线性转换框架，并进行了广泛实验以证明深度神经网络可以有效地学习以往被认为是无法学习的数据 / 示例，从而提高了打破无法学习数据的能力，显示出比线性可分技术更好的性能，进一步指出现有的数据保护方法在防止未经授权的机器学习模型使用数据方面是不充分的，迫切需要开发更强大的保护机制。

    Jun, 2024

  • 使用频率偏置模型提高对通用损坏的鲁棒性

    本文提出了两种高 / 低频鲁棒性混合的专家模型以及一种最小化卷积特征图总变差 (TV) 的正则化方法，成功应用于诸如 ImageNet-C 以及汽车数据集等多种实际环境的图像分类和目标检测任务，同时提升了在受损图像方面的鲁棒性。

    Mar, 2021

  • 使用像素偏移抵御对抗性攻击

    针对 CNN 在面对对抗性攻击时容易被操控的问题，提出了一种基于像素偏转和小波去噪的算法，该算法通过改变图像像素值使其符合自然图像统计规律从而增强模型的鲁棒性，且不需要额外的重新训练或修改 CNN。

    Jan, 2018

  • 深度神经网络的学习偏好：单像素快捷方式

    本研究提出了一种名为单像素快捷方式 (OPS) 的方法，使用受保护的图像生成无法学习的数据集 CIFAR-10-S，该数据集几乎可以使训练的 CNN 模型表现得像未受过训练一样。该方法利用针对图像中单个像素的扰动，且该扰动不易被消除，并针对同一类别图像采用固定位置和目标值进行扰动生成 OPS，以极低的计算成本 (不使用 DNN 生成器) 对 CNN 模型进行攻击。

    May, 2022

  • PixelDefend：利用生成模型理解和防御对抗样本

    本文提出了一种名为 PixelDefend 的新方法，可以通过将恶意扰动图像移回训练数据中所看到的分布来净化这些图片，然后在经过未经修改的分类器时进行分类，从而大大提高了各种最先进攻击方法的弹性。

    Oct, 2017

  • 语义深度隐藏用于鲁棒的无法学习的示例

    在确保数据隐私和保护的时代，我们提出了一种深度隐藏方案，适应性地隐藏富含高级特征的语义图像，通过不可见地集成预定义图像并结合欺骗性扰动隐藏它们，以增强数据的不可学习性和阻止未经授权的数据探索。

    Jun, 2024

  • 通过轮廓和纹理感知的扰动保护医学图像分割数据集免受未经授权的训练

    提出了一种名为 UMed 的非可学习医学图像生成方法，它通过注入轮廓和纹理感知的扰动来保护图像，从而仅对医学图像分割关键特征进行干扰，达到更大的隐蔽性和保护性能。

    Mar, 2024

  • 稳定的不可学习样例：通过稳定的最小化误差噪音增强不可学习样例的鲁棒性

    通过引入稳定的误差最小化噪声（SEM），我们进一步提高了无法学习示例的鲁棒性，通过针对随机扰动而不是耗时的对抗性扰动来训练防御性噪声，提高了防御性噪声的稳定性，从而在 CIFAR-10、CIFAR-100 和 ImageNet Subset 上实现了最新的性能。

    Nov, 2023