English(EN) Full spectrum Unlearnable Examples via Spectral Equalization

新的FUSE方法增强了全频谱范围内的不可学示例

作者 PulseAugur 编辑部 · [2 个来源] · 2026-06-25 07:53

研究人员引入了通过频谱均衡实现全频谱不可学示例（FUSE）的新方法，以增强训练数据免受模型利用的保护。与先前易受低通滤波影响的技术不同，FUSE生成的扰动在整个频谱范围内都有效。这是通过在生成器训练期间采用随机频谱掩蔽策略和确保不同频段之间一致性的跨频段引导来实现的。 AI

影响增强了AI模型的数据保护方法，可能提高了对抗性攻击的鲁棒性。

排序理由该集群包含一篇详细介绍计算机视觉中不可学示例新方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.CV TIER_1 English(EN) · Jiale Cai, Gezheng Xu, Zhihao Li, Ruiyi Fang, Ruizhi Pu, Di Wu, Qicheng Lao, Charles Ling, Boyu Wang · 2026-06-26 04:00

Full spectrum Unlearnable Examples via Spectral Equalization

arXiv:2606.26719v1 Announce Type: new Abstract: Unlearnable examples (UEs) protect training data by injecting imperceptible perturbations so that models fail to extract exploitable representations. In this paper, we reveal that existing UEs exhibit a critical failure once low-pas…
arXiv cs.CV TIER_1 English(EN) · Boyu Wang · 2026-06-25 07:53

通过谱均衡实现全频谱不可学示例

Unlearnable examples (UEs) protect training data by injecting imperceptible perturbations so that models fail to extract exploitable representations. In this paper, we reveal that existing UEs exhibit a critical failure once low-pass filtering is applied, indicating that the effe…