通过负热标签编码和类重量掩盖来实现无法区分的机器失学.
Jiali Wang1, Hongxia Bie2, Zhao Jing1
1Intelligent Media Computing Center, School of Artificial Intelligence, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
Scientific reports
|March 3, 2026
概括
本研究引入了一种使用负热标签编码 (NHLE) 的新机器取消学习方法,以实现高效的数据隐私. 该技术选择性地忘记了数据类,对整体模型性能的影响最小.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 数据隐私和监管合规性在深度学习中越来越重要.
- 现有的机器取消学习方法面临着数据访问,计算成本和保留数据的性能下降的挑战.
研究的目的:
- 开发一个高效和有选择性的机器取消学习框架.
- 通过最大限度地减少计算开销和保持对非遗忘数据的性能来解决当前取消学习方法的局限性.
主要方法:
- 提出了一种新的学习框架,整合了编码标签的微调和类重量掩盖.
- 引入负热标签编码 (NHLE) 以抑制目标类别的歧视性.
- 使用了少量的被遗忘类的样本来进行代微调.
主要成果:
- 在多个视觉数据集的被遗忘数据上实现了接近零的分类准确性.
- 在保留的数据上显示了最小的精度下降 (≤0.035).
- 展示了拟议的失学框架的效率和选择性.
结论:
- 集成的NHLE框架为选择性机器取消学习提供了有效的解决方案.
- 这种方法在深度学习模型中增强数据隐私和监管合规性.
- 该方法平衡了高效的遗忘与对剩余数据的模型实用性的保留.
