English(EN) IDSISA: Influence-Distilled Sharded Training for Efficient Machine Unlearning

新的IDSISA方法提高了机器学习遗忘的效率和效用

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-05 05:00

研究人员开发了IDSISA，一种高效的机器学习遗忘新方法，旨在移除特定训练数据的影响，同时保持模型的效用。与计算成本高昂的完全重新训练不同，IDSISA采用影响函数将易遗忘的样本集中到更少的分片中，并利用来自未受影响分片的蒸馏来恢复丢失的效用。这种方法提供了继承自SISA的确切删除保证，以及对效用恢复的经验性有界近似。在各种数据集和架构上的实验表明，与现有的SISA方法相比，在选择性遗忘和效用保留方面有了显著的改进。 AI

影响提高了机器学习遗忘的效率和效用，可能有助于遵守隐私法规。

排序理由该条目是一篇研究论文，详细介绍了一种新的机器学习遗忘方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 26 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇研究论文，详细介绍了一种新的机器学习遗忘方法。 [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, safety; 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.AI TIER_1 English(EN) · Deeraj SK, Sadhana Devarajan, Tanmoy Hazra, Anupam Shukla · 2026-11-05 05:00

IDSISA：用于高效机器学习不可知论的基于影响蒸馏的分片训练

arXiv:2611.06519v1 Announce Type: cross Abstract: Machine unlearning removes the influence of specific training examples to comply with privacy regulations. Full retraining gives strong guarantees but is computationally prohibitive at scale; approximate methods are efficient but …

本文如何被排名

报道来源 [1]

IDSISA：用于高效机器学习不可知论的基于影响蒸馏的分片训练

相关实体

相关话题