PulseAugur
实时 21:55:56
English(EN) Dual-branch Robust Unlearnable Examples

研究人员开发了 DUNE,一种用于创建 AI 模型鲁棒不可学样本的双分支方法。

研究人员开发了 DUNE,一种用于 AI 模型训练的新型双分支方法,可创建鲁棒的不可学样本。该方法在空间和颜色域中优化扰动,以降低模型泛化能力并实现不可学性。DUNE 的不可学性增强集成策略通过聚合各种预训练模型进一步提高了其性能。实验表明,DUNE 在对抗各种防御措施方面优于现有方法,显著降低了 CIFAR-10ImageNet 等基准数据集上的测试准确率。 AI

影响 引入了一种可能扰乱 AI 模型训练和增强数据安全性的新技术。

排序理由 这是一篇详细介绍创建不可学样本新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究人员开发了 DUNE,一种用于创建 AI 模型鲁棒不可学样本的双分支方法。

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Xianlong Wang, Hangtao Zhang, Wenbo Pan, Ziqi Zhou, Changsong Jiang, Li Zeng, Xiaohua Jia ·

    Dual-branch Robust Unlearnable Examples

    arXiv:2605.01718v1 Announce Type: new Abstract: Unlearnable examples (UEs) aim to compromise model training by injecting imperceptible perturbations to clean samples. However, existing UE schemes exhibit limited robustness against advanced defenses due to their heuristic design o…