PulseAugur
实时 21:39:16

新研究探索用于多样化AI训练范式的不可学习示例

研究人员引入了一种名为浅层语义伪装(SSC)的新方法,用于创建不可学习的示例,即使在使用预训练模型时也能抵抗模型训练。现有的不可学习示例技术在模型预训练然后微调时效果较差,因为冻结的层会保留语义并过滤掉噪声。SSC旨在通过在语义有效的子空间内生成扰动来绕过这一点,确保数据在各种训练范式中保持不可学习。 AI

影响 引入了一种增强AI训练中数据隐私的新技术,可能影响数据集如何防止未经授权的使用。

排序理由 学术论文,介绍了一种创建不可学习示例的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新研究探索用于多样化AI训练范式的不可学习示例

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Bo Wang, Jia Ni, Mengnan Zhao, Zhan Qin, Kui Ren ·

    Channel-Level Semantic Perturbations: Unlearnable Examples for Diverse Training Paradigms

    arXiv:2605.05224v1 Announce Type: new Abstract: The unauthorized use of personal data in model training has emerged as a growing privacy threat. Unlearnable examples (UEs) address this issue by embedding imperceptible perturbations into benign examples to obstruct feature learnin…