QR-Erase 通过 QR 分解提供高效的机器学习遗忘

研究人员开发了 QR-Erase，一个新颖的基于子空间的机器学习遗忘框架，它利用了带主元的 QR 分解来高效地从训练模型中移除目标信息。该方法旨在避免基于优化的遗忘方法中出现的性能下降以及奇异值分解（SVD）的计算开销。该框架包含一个层定位 QR-Erase 变体，它将更新集中在具有最多任务特定信息的层上，进一步提高了效率。在各种遗忘任务上的实验表明，与基于优化的方法相比，QR-Erase 提供了更好的遗忘-保留权衡，并且在准确性上接近基于 SVD 的技术。 AI

影响 提供了一种更高效、更有效的方法来从训练模型中移除特定数据，可能改善隐私和模型管理。

排序理由 该集群包含一篇详细介绍机器学习遗忘新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Layer-Localized QR-Erase
• Pivoted QR decomposition
• QR-Erase
• ScienceCast

• 论文
• 其他

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