反事实认证方法改善序列化机器遗忘
热点事件持续更新
反事实认证方法改善序列化机器遗忘
1 篇报道1 个报道来源22 小时前更新
先了解这件事
AI 综述
研究者 Hanna Benarroch 提出一种面向序列化机器遗忘的反事实认证方法：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，以解决基于保留集微调的遗忘方法随删除请求增多而性能下降或算力上升的问题。 该方法在平滑强凸目标、每次删除固定微调预算的条件下，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。上述结论来自研究者的论文表述与实验。 该研究针对独立相继的删除请求，属 arXiv 隐私论文，尚未见独立复现或同行评审结论。
AI 根据报道生成 · 1 小时前更新
最新进展10月13日 16:56
面向序列化机器遗忘的反事实认证：长期性能保证报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- arXiv 隐私论文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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。