利用不完美的恢复机制实现数据可用性攻击

针对在线数据被用于训练深度学习模型的风险，研究人员提出了一种名为不完美恢复投毒（IRP）的新型攻击方法。现有基于卷积的不可学习数据集（CUDA）虽在监督学习和自监督学习中表现稳健，但在对抗自监督学习时效果不佳，且存在图像质量与投毒效果的严重权衡。本研究通过理论分析揭示了 CUDA 引入次优梯度及诱导类别偏差的策略，并据此提出 IRP 方法，旨在保持高图像质量的同时实现强投毒效果。实验对比了 IRP 与八个基线方法在监督学习和自监督学习中的表现，并结合五种代表性防御方法进行验证，结果显示 IRP 具有优越性。