以自然文本扰动保护多模态数据：NTUE 不可学习样本

论文提出基于文本扰动的 NTUE，可在低投毒率下误导 LVLMs。

资讯摘要

论文提出 Natural Textual Unlearnable Examples（NTUE），称这是首次针对大型视觉语言模型（LVLMs）探索不可学习样本。该方法通过微调图像标签文本，在关注身份与目标之间建立捷径，从而误导 LVLMs，且不引入事实性错误、不影响可读性。作者报告，与传统的不可学习样本方法相比，NTUE 表现更优，在低至 5% 的投毒率下仍能取得较高成功率。

要点速读

1. 论文称首次针对 LVLMs 研究不可学习样本，指出多模态特性带来独特挑战。
2. NTUE 通过操纵图像标签文本建立捷径来误导模型，不引入事实性错误，也不影响可读性。
3. 作者报告 NTUE 在 5% 投毒率下成功率较高，优于传统不可学习样本方法。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。