English(EN) Correlation-Guided Fast Machine Unlearning via Hessian Analysis

新的机器学习遗忘方法实现 82 倍加速

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-14 04:00

研究人员开发了一种新颖的机器学习遗忘框架，可显著加快从训练模型中删除特定数据点的过程。该方法识别相关数据点并使用封闭形式的参数更新规则，与标准技术相比实现了 82 倍的加速，同时保持了模型精度。该框架提供了理论保证，并在 ResNet-50 的 CIFAR-100 等数据集上证明了其卓越的遗忘效果，这从低成员推理攻击成功率中得到证明。 AI

影响这项研究可以为机器学习系统中数据删除的隐私和安全提供更有效和实用的实现。

排序理由发表了一篇详细介绍新机器学习技术的学术论文。[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 →

本文如何被排名

Signal score: 23 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 发表了一篇详细介绍新机器学习技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Ayushi Thakur, Ruchir Gupta, Amit Kumar Jaiswal, Prayag Tiwari · 2026-09-14 04:00

基于 Hessian 分析的相关性引导的快速机器学习遗忘

arXiv:2609.12620v1 Announce Type: new Abstract: The increasing adoption of machine learning in network and distributed security systems has created an urgent need for mechanisms that can selectively and efficiently remove the influence of specific training data to eliminate compr…

本文如何被排名

报道来源 [1]

基于 Hessian 分析的相关性引导的快速机器学习遗忘

相关实体

相关话题