不可學習樣本（Unlearnable Examples）是一類用于數據保護的技術，其核心思想是在原始數據中注入人類難以察覺的微小擾動，使得未經授權的第三方在使用這些數據訓練模型時，模型的泛化性能顯著下降，甚至接近隨機猜測，從而達到阻止數據被濫用的目的。

例如，對于攝影師公開發布的作品或用戶分享的個人照片，在添加擾動后，圖像在視覺上幾乎不發生變化；但若這些數據被用于訓練圖像分類模型，其測試準確率可能會從 90% 降至 10% 左右。

隨著深度模型對大規模數據依賴程度的不斷提升，不可學習樣本逐漸成為數據隱私與模型安全領域的重要研究方向。然而，現有方法在實際應用中仍面臨顯著的效率瓶頸。