PulseAugur
中
实时 07:49:04
English(EN) When Unlearning Fails: Reliable Data Deletion under Post-Training in Agent Networks

新的MUTE方法确保了自学习AI智能体网络中可靠的数据删除

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为MUTE（Muting Unlearned Trajectories' Echoes，抑制未学习轨迹的回声）的新方法，以应对自学习联邦智能体网络中可靠删除数据的挑战。这些网络在部署后会持续训练，使得传统遗忘方法不足以应对数据影响的持续存在和重现。MUTE旨在通过估计下游影响、执行定向更新、隔离高影响数据以及审计未来行为来确保完全擦除，同时保留任务效用。 AI

影响 解决了在持续学习的AI系统中维护数据隐私和控制的关键挑战。

排序理由 学术论文，详细介绍了AI网络中数据删除的新方法。[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MUTE方法确保了自学习AI智能体网络中可靠的数据删除

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zihao Ding, Jun Huang, Liang Dong ·

    当遗忘失效时：Agent网络训练后可靠的数据删除

    arXiv:2607.28829v1 Announce Type: cross Abstract: Self-improving federated agent networks keep training after deployment by collecting new trajectories with the current policy and feeding them back into later rounds. This closed loop makes unlearning harder than a one-time model …

相关实体

相关话题