PulseAugur
中
实时 08:36:42
English(EN) Gradient Concentration, Not Weight Saliency, Explains Representation-Level Class Unlearning

梯度集中度研究结果引发对机器遗忘有效性的质疑

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新的研究论文对基于显著性的权重选择在机器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，而非显著性方法所选定的特定权重，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 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，这表明当前的遗忘目标可能需要更直接地关注潜在表示。 AI

影响 对当前的机器遗忘方法提出了挑战，并建议转向以表示为中心的目标。

排序理由 在 arXiv 上发表的研究论文，详细介绍了关于机器遗忘的发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

梯度集中度研究结果引发对机器遗忘有效性的质疑

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Billel Habbati, Alessio Merlo, Luca Verderame, Meriem Guerar ·

    梯度集中度而非权重显著性解释了表示层面的类别遗忘

    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…

相关实体

相关话题