Unlearnable 3D Point Clouds: Class-wise Transformation Is All You Need

要約

従来の学習不可能な戦略は、2D画像データに対する不正ユーザーの学習を防止するために提案されてきた。より多くの3次元点群データが機密情報を含むようになり、この新しいタイプのデータの不正使用も深刻な問題となっている。(i)カテゴリ適応的な割り当て戦略によって確立されたクラス単位の設定と、サンプルに割り当てられた多重変換を含む、学習不可能なデータ保護スキームを提案する。(ii)クラス単位の逆行列変換を利用するデータ復元スキームを提案し、学習不可能なデータに対する許可された訓練のみを可能にする。(ii)クラス毎の逆行列変換を利用したデータ復元スキームを提案し、未学習データに対する認可者のみの学習を可能にする。この復元プロセスは、既存の未学習データに関する文献の多くで見落とされている現実的な問題である。理論的・実証的な結果（6つのデータセット、16のモデル、2つのタスクを含む）は、我々の提案する学習不可能なフレームワークの有効性を示している。我々のコードは ﹑https://github.com/CGCL-codes/UnlearnablePC ﹑ で入手可能である。

要約(オリジナル)

Traditional unlearnable strategies have been proposed to prevent unauthorized users from training on the 2D image data. With more 3D point cloud data containing sensitivity information, unauthorized usage of this new type data has also become a serious concern. To address this, we propose the first integral unlearnable framework for 3D point clouds including two processes: (i) we propose an unlearnable data protection scheme, involving a class-wise setting established by a category-adaptive allocation strategy and multi-transformations assigned to samples; (ii) we propose a data restoration scheme that utilizes class-wise inverse matrix transformation, thus enabling authorized-only training for unlearnable data. This restoration process is a practical issue overlooked in most existing unlearnable literature, \ie, even authorized users struggle to gain knowledge from 3D unlearnable data. Both theoretical and empirical results (including 6 datasets, 16 models, and 2 tasks) demonstrate the effectiveness of our proposed unlearnable framework. Our code is available at \url{https://github.com/CGCL-codes/UnlearnablePC}

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL