通道级语义扰动：面向多种训练范式的不可学习样本
Channel-Level Semantic Perturbations: Unlearnable Examples for Diverse Training Paradigms
AI 导读
一项研究系统考察不可学习样本在多种训练范式下的表现，发现加载并冻结预训练权重会显著削弱现有方法在预训练-微调（PF）范式下的有效性。作者以语义过滤解释该现象，并提出 Shallow Semantic Camouflage（SSC），将扰动生成限制在语义有效子空间，以绕过预训练权重的语义抑制；在浅层冻结和 SF-Pretrain 设置下，SSC 仍保持数据的不可学习性。