一篇新的研究论文对基于显著性的权重选择在机器学习遗忘中的有效性提出了质疑。研究发现，最终网络层中的梯度集中度，而非显著性掩码所选定的特定权重，是表示层面遗忘的主要驱动因素。在 CIFAR-10 和 CIFAR-100 数据集上使用 ResNet-18 模型进行的实验表明，随机掩码的表现与基于显著性的掩码相当，这表明当前的遗忘方法可能需要更多地关注潜在表示目标。 AI
影响 建议机器学习遗忘研究转向直接作用于潜在表示的目标，可能提高效率和有效性。
排序理由 该集群包含一篇详细介绍机器学习遗忘新研究发现的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.21353v1 Announce Type: new Abstract: Machine unlearning aims to remove the influence of specific training data while preserving model utility. Many state-of-the-art approaches pursue this goal by restricting the forgetting update to a subset of parameters selected thro…
Machine unlearning aims to remove the influence of specific training data while preserving model utility. Many state-of-the-art approaches pursue this goal by restricting the forgetting update to a subset of parameters selected through gradient-based saliency. Although such metho…