Unlearnable Clusters: Auf dem Weg zu label-agnostischen unlernbaren Beispielen

Code zu „Unlearnable Clusters: Auf dem Weg zu label-agnostischen unlernbaren Beispielen“, CVPR2023.

Vorverarbeitung

Führen Sie zuerst preprocess.py aus, um das Dataset-Verzeichnis umzubenennen.

python preprocess.py --config config/preprocess.yaml -f rename

K-Means-Initialisierung

Führen Sie als Zweites preprocess.py aus, um die K-Means-Initialisierung durchzuführen.

python preprocess.py --config config/preprocess.yaml -f cluster_pets_rn50_cluster10
# the cluster file will be stored in {output_dir}/{dataset}_{surrogate_model}_cluster{num_clusters}.pth
# e.g., output/cluster/pets_rn50_cluster10.pth

Generieren der clusterweisen Störungen und der entsprechenden UEs

Führen Sie als Drittes main.py --stage 1 aus, um clusterweise Störungen zu erzeugen.

python main.py --config config/stage_1.yaml -e {experiment} --stage 1 
# {experiment} is uc_{dataset}_{surrogate_model}
# e.g., python main.py --config config/stage_1.yaml -e uc_pets_cliprn50 --stage 1

Zielmodell trainieren

Führen Sie schließlich main.py --stage 2 aus, um Zielmodelle zu trainieren.

python main.py --config config/stage_2.yaml -e {experiment} --stage 2 
# {experiment} is uc_{dataset}_{surrogate_model}_{target_model}
# e.g., python main.py --config config/stage_2.yaml -e uc_pets_rn50_rn18 --stage 2

Zitieren

Wenn Sie diesen Code für Ihre Forschung nützlich finden, erwägen Sie bitte, ihn zu zitieren.

@inproceedings{zhang2023unlearnable,
  title={Unlearnable Clusters: Towards Label-agnostic Unlearnable Examples},
  author={Jiaming Zhang, Xingjun Ma, Qi Yi, Jitao Sang, Yu-Gang Jiang, Yaowei Wang, Changsheng Xu},
  booktitle="Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition",
  year={2023}
}

Unlearnable-Clusters

Beliebteste