في العصر الرقمي حيث تتزايد مخاطر الخصوصية، أصبح من الضروري إيجاد حلول فعّالة لحماية بيانات الأفراد. تعتمد النماذج الذكية بشكل متزايد على الصور الشخصية المستخرجة من وسائل التواصل الاجتماعي والمنصات العامة، وغالبًا ما يتم ذلك دون الحصول على إذن، مما يؤدي إلى انتهاكات خطيرة للخصوصية مثل التعرف على الوجه غير المصرح به والإعلانات المستهدفة. في محاولة لمواجهة هذه المخاطر، قام الباحثون بتطوير أمثلة غير قابلة للتعلم (Unlearnable Examples - UEs) وهي صور تم تعديلها بطرق تجعل من الصعب على النماذج الذكية استخراج معلومات ذات معنى منها. ومع ذلك، كانت الطرق الحالية تعتمد بشكل أساسي على ضجيج في صورة البكسل، مما يجعلها عرضة لاستراتيجيات إعادة التعلم مثل التدريب العدائي (Adversarial Training) وتحويل الصور وضغطها.

بينما تعمل بعض التقنيات على تحسين المتانة، فإنها غالبًا ما تأتي بتكلفة كبيرة تتمثل في تدهور جودة الصورة وفاعليتها. ومع ذلك، توصلنا في هذا البحث إلى حل مبتكر يُعرف باسم DiffUE، حيث يعمل على تحسين التوازن بين جودة الصورة وعدم التعلم من خلال إدخال ضجيج على مستوى الفضاء الدلالي بدلاً من الفضاء البكسلي.

فبدلاً من تشويه قيم البكسل، تقوم DiffUE بتعديل الميزات الدلالية العالية المستوى لصورة، مما يضمن عدم التعلم لتكون فعالة مع الحفاظ على الجودة البصرية والفاعلية. باستخدام إطار عمل يقوم على النمذجة التفاضيلية (Diffusion-based Autoencoder)، تتيح DiffUE إجراء تعديلات طبيعية وذات مغزى، مما يجعلها فعالة في مقاومة استراتيجيات إعادة التعلم المتقدمة.

تظهر التجارب الواسعة على أربعة مجموعات بيانات شائعة - CIFAR-10 وCIFAR-100 وCelebA-HQ وImageNet - بالإضافة إلى دراسة مستخدمين ذات دلالة، أن DiffUE تعزز بشكل ملحوظ التوازن بين جودة الصورة وعدم التعلم، مما يقدم حلاً أكثر قوة وفاعلية لحماية البيانات الشخصية في عالم الذكاء الاصطناعي المتوسع.