两篇新研究论文探讨了机器遗忘的复杂性,重点关注模型的学习过程如何影响其遗忘特定数据的能力。第一篇论文研究了“仅遗忘式遗忘”,即模型必须仅使用训练模型和需要遗忘的示例来删除数据,发现这个过程可能具有挑战性,并且可能需要模型保留比标准训练更多的信息。第二篇论文考察了记忆和泛化之间的谱系,证明高度依赖记忆的模型在发生遗忘时性能下降更大。两项研究都强调了在开发有效的遗忘方法时考虑学习动态的重要性。 AI
影响 这些研究表明,当前的遗忘方法可能不足,并强调需要新的方法来考虑模型的学习方式。
排序理由 两篇在arXiv上发表的关于机器遗忘技术的学术论文。
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv Recommender
- Influence Flower
- Litmaps
- ScienceCast
- scite Smart Citations
- cs.LG
- Forget-Only Unlearning
- generalization
- machine unlearning
- memorization
- threshold learners
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →