BriefGPT - AI 论文速递
·
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
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文章提出了一种解决目标数据未被授权使用的方法，通过给无法学习的示例添加微不可见的扰动来保护数据。然而，该方法存在弊端，因为不受保护的其他数据可以用于消除保护。因此，提出了一种新的方法，通过纯化处理将无法学习的示例投射到可学习的示例上，并使用新的模型去除噪音，实现对无法学习的示例的保护。这种方法适用于有监督和无监督的示例，是一种通用的计数器测量方法。
🎯
关键要点
- 提出了一种保护目标数据未被授权使用的方法。
- 该方法通过添加微不可见的扰动来保护无法学习的示例（UEs）。
- 存在的弊端是其他不受保护的数据可以消除保护效果。
- 新方法通过纯化处理将UEs投射到可学习示例（LEs）上。
- 使用新的联合条件扩散模型去除UEs的噪音以实现保护。
- 该方法适用于有监督和无监督的示例。
- 这是一种通用的计数器测量方法。
➡️
