PulseAugur
中
实时 08:54:17
English(EN) DECAF: De-Clustering for Adaptive Representational Unlearning

新的DECAF方法通过破坏数据聚类来增强机器学习遗忘

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的后验机器学习遗忘方法DECAF，旨在通过专门针对和破坏与遗忘数据相关的残余特征空间结构来增强隐私和自适应部署。与现有方法不同，DECAF仅在遗忘集上操作，结合输入噪声、置信度抑制和基于熵的输出多样化，以有效打破聚类攻击。在CIFAR-10上使用ResNet-18进行的实验中，DECAF实现了0.10%的遗忘类别准确率和79.4%的保留准确率，与其他基线相比，展示了卓越的性能和效率。 AI

影响 通过改进数据删除技术，增强机器学习模型的隐私和自适应部署能力。

排序理由 该聚类描述了一篇关于机器学习遗忘新方法的学术论文。[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 →

新的DECAF方法通过破坏数据聚类来增强机器学习遗忘

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Anjie Le, Can Peng, Hongcheng Guo, J. Alison Noble ·

    DECAF：自适应表示性遗忘的去聚类方法

    arXiv:2607.23934v1 Announce Type: new Abstract: Machine unlearning, which aims to remove the influence of specific training data from a trained model, is a key requirement for privacy, accountability, and adaptive deployment. We argue that many unlearning methods are vulnerable t…

相关实体

相关话题