Clusters non-apprenables : vers des exemples non-apprenables indépendants des étiquettes

Code relatif à "Clusters non-apprenables : vers des exemples non-apprenables indépendants des étiquettes", CVPR2023.

Prétraitement

D'abord, exécutez preprocess.py pour renommer le répertoire du jeu de données.

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

Initialisation K-means

Ensuite, exécutez preprocess.py pour effectuer l'initialisation K-means.

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

Générer les perturbations par cluster et les UEs correspondantes

Troisièmement, exécutez main.py --stage 1 pour générer les perturbations par cluster.

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

Entraîner le modèle cible

Enfin, exécutez main.py --stage 2 pour entraîner les modèles cibles.

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

Citation

Si vous trouvez ce code utile pour vos recherches, pensez à le citer.

@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

Populaires