في الوقت الذي تتزايد فيه المخاطر المتعلقة باستخدام البيانات الشخصية غير المصرح به في تدريب نماذج التعلم العميق، تبرز الحاجة إلى استراتيجيات فعالة لحماية هذه البيانات. لقد تم تطوير العديد من الهجمات المعروفة بأفعال توافر البيانات (Data Availability Attacks - DAAs) لجعل البيانات غير قابلة للتعلم، وذلك من خلال التلاعب الطفيف ببيانات التدريب.

تجدر الإشارة إلى أن الهجمات الحالية غالباً ما تركز على سيناريوهات محددة كالتعلم المُراقب (Supervised Learning - SL) أو التعلم الذاتي المُراقب (Self-Supervised Learning - SSL). من بين هذه الهجمات، تظهر طريقة مجموعة البيانات غير القابلة للتعلم بالاستناد إلى الالتفاف (Convolution-based Unlearnable Dataset - CUDA) كأكثر الطرق قدرة على إحباط كل من SL وSSL. ولكن، يظهر أن فعالية CUDA ضد SSL غير كافية، حيث تواجه صعوبة في الحفاظ على جودة الصورة مقارنة بتأثير التسميم.

تعمل هذه الدراسة على تحليل نظری شامل لميزتها وعيوبها، موضحة التأثيرات السلبية المرتبطة بتركيبة التوجيه التي تستخدمها. ومن خلال هذا التحليل، تم تقديم طريقة جديدة للتسميم تُعرف باسم "تسميم التجديد غير المثالي" (Imperfect Restoration Poisoning - IRP)، والتي تهدف إلى الحفاظ على جودة الصورة المرتفعة أثناء تحقيق تأثيرات تسميم فعالة.

من خلال المقارنات الشاملة بين IRP وثمانية أكثر الطرق المعروفة، بالإضافة إلى تقييماتها بجانب خمس طرق دفاعية بارزة، تُظهر هذه الدراسة تفوق IRP. إن هذه النتائج تمثل خطوة هامة نحو تعزيز الدفاعات ضد هجمات توافر البيانات، مما يفتح آفاق جديدة لدراسة المزيد من الحلول للحد من المخاطر المرتبطة بأمن البيانات في مجالات الذكاء الاصطناعي.