PulseAugur
中
实时 20:10:51
English(EN) DFMU: Data-Frugal Machine Unlearning

新的DFMU方法实现了数据节约型机器学习遗忘

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种名为数据节约型机器学习遗忘（DFMU）的新颖方法，旨在从已训练的机器学习模型中高效地移除数据元素。与通常需要大量重新训练的现有方法不同，DFMU仅使用一次前向和后向传播来计算模型组件的重要性得分。该技术基于知识保留剪枝，显著降低了计算需求和数据需求。实验表明，与最先进的方法相比，DFMU仅使用13%的数据即可实现40%更高的保留准确率，同时遗忘任务的处理速度也提高了88%。 AI

影响 该方法可以显著降低模型遗忘所需的计算成本和时间，使其在需要移除特定数据的应用中更易于使用。

排序理由 该集群描述了一篇详细介绍一种新颖机器学习遗忘方法的最新研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的DFMU方法实现了数据节约型机器学习遗忘

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Sajith U, Prateek Keserwani ·

    DFMU：数据节约型机器遗忘

    arXiv:2606.25410v1 Announce Type: new Abstract: Machine unlearning is an emerging domain that ensures the safe removal of elements (includes concepts, attributes, entity and class) from the trained model along with least drop in model performance. The domain of machine unlearning…

  2. arXiv cs.LG TIER_1 English(EN) · Prateek Keserwani ·

    DFMU：数据节约型机器遗忘

    Machine unlearning is an emerging domain that ensures the safe removal of elements (includes concepts, attributes, entity and class) from the trained model along with least drop in model performance. The domain of machine unlearning brings its own indigenous challenges since the …

相关实体

相关话题