🧠机器之心•較早收集於 12m
PIL：基於線性代理的不可學習樣本生成方法
#research#pil#iclr-2026#unlearnable-examples#data-privacypil
💡100x faster unlearnable examples via linear proxies – essential data privacy tool (ICLR 2026)
⚡ 30-Second TL;DR
有什麼變化
以線性模型替換 DNN 代理進行 PGD 優化
為什麼重要
讓攝影師/用戶輕鬆使用不可學習樣本，以低成本防範模型竊取數據。
下一步行動
Run PIL from https://github.com/jinlinll/pil on your images to test unlearnability vs ResNet.
誰應關注：Researchers & Academics
關鍵要點
- •以線性模型替換 DNN 代理進行 PGD 優化
- •關鍵洞見：不可學習樣本提升模型線性度（FGSM 度量）
- •REM 15+ GPU 小時 → 分鐘；擴展至高解析圖像
- •開源程式碼保護數據隱私，無需高計算
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 机器之心 ↗
每週 AI 簡報
每週一封，可隨時退訂。