面向序列化机器遗忘的反事实认证：长期性能保证

针对序列化删除请求下基于保留集微调的机器遗忘方法随请求增多而性能下降或算力上升的问题，研究者提出对每次模型发布按“被删群体从未参与”的反事实遗忘轨迹进行认证。在平滑强凸目标与每次删除固定微调预算下，该方法使性能损失在请求数量上保持一致有界。FEMNIST 多分类逻辑回归实验显示，其所需纠正步数少于现有序列化方法，并在群体规模异质时优于训练时差分隐私。