本文针对深度学习时代数据版权保护面临的两大威胁：未经授权的模型训练（非法利用数据训练模型）和恶意数据泄露（攻击者窃取或泄露受保护数据）。现有方法通常分别使用不可学习样本（unlearnable examples）和数字水印技术，但作者发现简单组合两者会因负面交互效应而失效。为此，论文提出一种新型版权保护机制，称为可逆不可学习样本（Reversible Unlearnable Examples）。该方法的核心思想是：在图像上添加精心设计的扰动，使模型在训练时学习到输入图像中与任务无关的特征，从而无法有效学习原始数据分布，达到防止非法训练的效果；同时，通过双提取器策略（两个不同的水印提取器）消除不可学习扰动对水印提取的干扰，确保合法数据所有者仍能从被扰动图像中提取水印以证明版权。具体实现上，生成扰动时最小化模型输入与输出之间的互信息，以增强扰动的泛化能力。在ImageNet、CIFAR10和Pets三个图像数据集上的大量实验表明，该方法能够提供比现有方法更全面的版权保护，既能有效阻止未经授权的模型训练，又能保证水印的可靠提取。论文还开源了代码。本文适合研究数据安全、模型鲁棒性和版权保护的技术人员阅读，但仅基于摘要，方法细节和实验具体数据需进一步查阅原文。

本文针对大语言模型（LLM）时代中未经授权数据利用与隐私泄露问题，提出一种名为 TextCloak 的防御框架。现有文本不可学习样本（UEs）方法主要面向情感分析等判别式分类任务，通过注入类别特定的语言线索来破坏模型训练效果，但在 LLM 的开放式生成场景中效果受限。TextCloak 采用强化学习（RL）驱动的生成式策略，将成批的干净文本转换为不可学习样本，同时保持语义保真度和语言自然性。其核心优化算法 GRPO-UE 基于下游微调代理 LLM 的性能下降程度设计奖励信号，并通过组相对策略优化更新生成器参数，形成双层优化，使生成器能够发现超越类别特定线索的通用保护模式。实验在六个公开数据集和九个先进 LLM 上进行，结果表明 TextCloak 能持续削弱未经授权的微调效果，同时保留文本对合法使用的效用。进一步分析验证了该方法在不同模型架构、训练配置和自适应攻击下的迁移性与鲁棒性，展示其作为抵御 LLM 未经授权利用的实际防御手段的广泛适用性。本文适合关注数据版权保护、隐私增强技术及 LLM 安全对齐的研究人员与安全防御者阅读。