不可學(xué)習(xí)樣本（Unlearnable Examples）是一類(lèi)用于數(shù)據(jù)保護(hù)的技術(shù)，其核心思想是在原始數(shù)據(jù)中注入人類(lèi)難以察覺(jué)的微小擾動(dòng)，使得未經(jīng)授權(quán)的第三方在使用這些數(shù)據(jù)訓(xùn)練模型時(shí)，模型的泛化性能顯著下降，甚至接近隨機(jī)猜測(cè)，從而達(dá)到阻止數(shù)據(jù)被濫用的目的。

例如，對(duì)于攝影師公開(kāi)發(fā)布的作品或用戶(hù)分享的個(gè)人照片，在添加擾動(dòng)后，圖像在視覺(jué)上幾乎不發(fā)生變化；但若這些數(shù)據(jù)被用于訓(xùn)練圖像分類(lèi)模型，其測(cè)試準(zhǔn)確率可能會(huì)從 90% 降至 10% 左右。

隨著深度模型對(duì)大規(guī)模數(shù)據(jù)依賴(lài)程度的不斷提升，不可學(xué)習(xí)樣本逐漸成為數(shù)據(jù)隱私與模型安全領(lǐng)域的重要研究方向。然而，現(xiàn)有方法在實(shí)際應(yīng)用中仍面臨顯著的效率瓶頸。

• 論文鏈接： https://arxiv.org/abs/2601.19967
• 代碼已開(kāi)源： https://github.com/jinlinll/pil

現(xiàn)有方法的效率瓶頸

當(dāng)前主流的不可學(xué)習(xí)樣本生成方法大多依賴(lài)深度神經(jīng)網(wǎng)絡(luò)（DNN）作為代理模型。其典型流程包括：

1. 訓(xùn)練一個(gè)復(fù)雜的深度模型（如 ResNet、VGG）作為代理；

2. 在代理模型上通過(guò)對(duì)抗攻擊方法（如 PGD）迭代優(yōu)化擾動(dòng)；

3. 利用擾動(dòng)在其他模型上的遷移性實(shí)現(xiàn)防護(hù)效果。

這種對(duì)深度模型的依賴(lài)帶來(lái)了若干問(wèn)題：

• 計(jì)算開(kāi)銷(xiāo)高：生成一次擾動(dòng)往往需要大量 GPU 資源。例如，REM 方法在 CIFAR-10 數(shù)據(jù)集上的擾動(dòng)生成時(shí)間超過(guò) 15 GPU 小時(shí)；
• 擴(kuò)展性受限：當(dāng)應(yīng)用于高分辨率圖像或大規(guī)模數(shù)據(jù)集（如 ImageNet）時(shí)，時(shí)間成本迅速上升；
• 模型復(fù)雜度冗余：深模型的強(qiáng)非線(xiàn)性表達(dá)能力并非不可學(xué)習(xí)樣本生成的必要條件，反而增加了優(yōu)化難度。

核心觀察：不可學(xué)習(xí)樣本與模型線(xiàn)性化

我們關(guān)注到一個(gè)關(guān)鍵現(xiàn)象：不可學(xué)習(xí)樣本的作用機(jī)制，本質(zhì)上是誘導(dǎo)深模型退化為近似線(xiàn)性的行為模式。

我們?cè)u(píng)估了多種現(xiàn)有不可學(xué)習(xí)樣本方法（包括 EM、REM、TAP、SP、AR 等），發(fā)現(xiàn)一個(gè)一致現(xiàn)象：無(wú)論方法設(shè)計(jì)多么復(fù)雜，最終均會(huì)誘導(dǎo)深度模型呈現(xiàn)更強(qiáng)的線(xiàn)性特征（通過(guò) FGSM 的成功率度量）

表 1：不同 FGSM 攻擊步長(zhǎng)下不可學(xué)習(xí)樣本導(dǎo)致的額外準(zhǔn)確率下降百分比（擾動(dòng)比例 50%）

從這一角度出發(fā)，如果最終目標(biāo)是使深模型表現(xiàn)出線(xiàn)性特性，那么使用復(fù)雜的深度模型作為代理并非必要。相反，直接利用線(xiàn)性模型生成擾動(dòng)，可能更直接地作用于這一核心機(jī)制。

基于此，我們提出PIL（Perturbation-Induced Linearization）： 通過(guò)線(xiàn)性模型作為代理，直接生成能夠誘導(dǎo)深模型線(xiàn)性化的不可學(xué)習(xí)擾動(dòng)。

PIL 方法概述

與基于對(duì)抗攻擊的方案不同，PIL 通過(guò)一個(gè)雙目標(biāo)優(yōu)化過(guò)程，引導(dǎo)模型學(xué)習(xí)線(xiàn)性映射。

1. 語(yǔ)義混淆（Semantic Obfuscation）

通過(guò)最小化 KL 散度，使線(xiàn)性代理模型在擾動(dòng)后的樣本上輸出接近均勻分布，從而削弱原始圖像中可用于分類(lèi)的語(yǔ)義信息。

2. 捷徑誘導(dǎo)（Shortcut Learning）

通過(guò)最小化交叉熵?fù)p失，使代理模型能夠僅依據(jù)擾動(dòng)準(zhǔn)確預(yù)測(cè)標(biāo)簽，從而將判別信息嵌入進(jìn)擾動(dòng)中。

兩個(gè)目標(biāo)通過(guò)平衡參數(shù) λ 進(jìn)行聯(lián)合優(yōu)化，最終生成的擾動(dòng)同時(shí)抑制語(yǔ)義學(xué)習(xí)并強(qiáng)化線(xiàn)性捷徑，從而在深模型訓(xùn)練階段誘導(dǎo)其產(chǎn)生顯著的泛化退化。

圖 1：PIL 方法示意圖

PIL 的算法流程（簡(jiǎn)要）

1. 訓(xùn)練一個(gè)無(wú)偏置的線(xiàn)性分類(lèi)器作為代理模型；

2. 在不可察覺(jué)約束（L∞≤8/255）下，采用類(lèi)似 PGD 的方法優(yōu)化擾動(dòng)；

3. 將擾動(dòng)注入原始圖像，構(gòu)造不可學(xué)習(xí)樣本；

Algorithm 1：PIL 算法流程

實(shí)驗(yàn)結(jié)果

我們?cè)?SVHN、CIFAR-10/100 和 ImageNet-100 數(shù)據(jù)集上，結(jié)合 ResNet、VGG、MobileNet 等多種模型進(jìn)行了系統(tǒng)評(píng)估。

1. 有效性

在不同數(shù)據(jù)集和模型架構(gòu)下，PIL 生成的不可學(xué)習(xí)樣本均能顯著降低模型的測(cè)試準(zhǔn)確率，在部分設(shè)置中準(zhǔn)確率接近隨機(jī)水平。

表 2：在干凈數(shù)據(jù)集（Dc）與 PIL 構(gòu)建的不可學(xué)習(xí)數(shù)據(jù)集（Du）上訓(xùn)練的模型在干凈數(shù)據(jù)上的測(cè)試準(zhǔn)確率（%）對(duì)比

2. 計(jì)算效率

在 CIFAR-10 上，PIL 生成擾動(dòng)僅需 40.53 秒，而 REM 方法需要超過(guò) 54k 秒，效率提升超過(guò)三個(gè)數(shù)量級(jí)。同時(shí)，PIL 在效率與防護(hù)效果之間取得了較好的平衡。

表 3：不同方法為 CIFAR-10 訓(xùn)練集構(gòu)建全部擾動(dòng)所需的時(shí)間對(duì)比

3. 魯棒性

在多種數(shù)據(jù)增強(qiáng)策略（旋轉(zhuǎn)、裁剪、MixUp）和不同 JPEG 壓縮質(zhì)量下，PIL 依然保持穩(wěn)定的防護(hù)性能。

表 4：不同數(shù)據(jù)增強(qiáng)策略下，各類(lèi)不可學(xué)習(xí)樣本在 CIFAR-10 上的干凈測(cè)試準(zhǔn)確率（%）。結(jié)果越接近 10% 越好?；疑尘皹?biāo)示 Top-2 的兩種方法。

表 5：在不同 JPEG 壓縮質(zhì)量下，各類(lèi)不可學(xué)習(xí)樣本在 CIFAR-10 上的干凈測(cè)試準(zhǔn)確率（%）。結(jié)果越接近 10% 越好?；疑尘皹?biāo)示 Top-2 的兩種方法。

4. 線(xiàn)性化驗(yàn)證

我們使用 FGSM 攻擊下的準(zhǔn)確率下降幅度作為線(xiàn)性化指標(biāo)。實(shí)驗(yàn)表明，隨著 PIL 擾動(dòng)比例增加，模型對(duì) FGSM 的敏感性顯著增強(qiáng)，驗(yàn)證了 PIL 確實(shí)誘導(dǎo)了模型的線(xiàn)性行為。

表 6：使用不同干凈 / PIL 擾動(dòng)數(shù)據(jù)混合比例訓(xùn)練的 ResNet-18 模型，在各 FGSM 攻擊步長(zhǎng)下的測(cè)試準(zhǔn)確率及下降幅度（%）

進(jìn)一步分析：

部分?jǐn)_動(dòng)設(shè)置下的性能退化受限

在實(shí)驗(yàn)中我們觀察到一個(gè)一致現(xiàn)象：當(dāng)僅有部分訓(xùn)練數(shù)據(jù)被擾動(dòng)時(shí)，模型的測(cè)試準(zhǔn)確率往往不會(huì)出現(xiàn)顯著下降。這一現(xiàn)象并非 PIL 方法特有，而是現(xiàn)有不可學(xué)習(xí)樣本方法普遍存在的特性。

為解釋該現(xiàn)象，我們通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)模型對(duì)被擾動(dòng)樣本產(chǎn)生的梯度與對(duì)干凈樣本的梯度呈現(xiàn)很強(qiáng)的正交性，于是我們提出在梯度正交假設(shè)，并在該假設(shè)下進(jìn)行了理論分析，得到如下結(jié)論：

• 干凈樣本與擾動(dòng)樣本在訓(xùn)練過(guò)程中所產(chǎn)生的梯度方向近似正交，因此擾動(dòng)樣本對(duì)應(yīng)的梯度更新難以顯著干擾模型對(duì)干凈樣本的學(xué)習(xí)；
• 在混合訓(xùn)練設(shè)置下，模型的泛化性能主要由干凈數(shù)據(jù)主導(dǎo)，只要干凈樣本數(shù)量足夠，模型仍能學(xué)習(xí)到穩(wěn)定且可泛化的特征表示。

圖 2：在部分?jǐn)_動(dòng)場(chǎng)景下，CIFAR-10 數(shù)據(jù)集的干凈測(cè)試準(zhǔn)確率（%）

上述分析表明，部分?jǐn)_動(dòng)并不足以從根本上削弱模型的泛化能力。這一定性結(jié)論對(duì)于實(shí)際應(yīng)用具有直接啟示意義：若期望獲得穩(wěn)定且顯著的防護(hù)效果，需要對(duì)數(shù)據(jù)集進(jìn)行大比例甚至全部的擾動(dòng)，或至少保證擾動(dòng)樣本在訓(xùn)練數(shù)據(jù)中占據(jù)足夠高的比例（通常高于 80%）。

結(jié)語(yǔ)

PIL 的核心在于從機(jī)制層面重新審視不可學(xué)習(xí)樣本問(wèn)題，將關(guān)注點(diǎn)從復(fù)雜的代理模型與攻擊策略，轉(zhuǎn)向「模型線(xiàn)性化」這一關(guān)鍵因素。通過(guò)使用線(xiàn)性代理模型，PIL 在顯著降低計(jì)算成本的同時(shí)，依然保持了穩(wěn)定而有效的防護(hù)能力。

我們希望這一視角能夠?yàn)椴豢蓪W(xué)習(xí)樣本及相關(guān)數(shù)據(jù)保護(hù)研究提供新的思路，并推動(dòng)更加高效、可擴(kuò)展的方法設(shè)計(jì)。