PulseAugur
中
实时 22:21:47
English(EN) Forget by Uncertainty: Orthogonal Entropy Unlearning for Quantized Neural Networks

新的OEU框架可从量化神经网络中遗忘数据

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为正交熵遗忘（OEU）的新框架，旨在有效移除量化神经网络中的特定数据，同时保持模型的整体准确性。该方法通过最大化被遗忘数据的预测不确定性来解决现有遗忘技术中的局限性，从而避免自信的错误预测。OEU还采用梯度正交投影来防止遗忘和保留数据梯度之间的干扰，为效用保持提供了理论保证。 AI

影响 为量化神经网络中的数据遗忘提供了一种新颖的方法，这对于边缘设备部署中的隐私合规至关重要。

排序理由 学术论文，详细介绍了一种用于量化神经网络的新型机器学习遗忘框架。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tian Zhang, Yujia Tong, Junhao Dong, Ke Xu, Yuze Wang, Jingling Yuan ·

    Forget by Uncertainty: Orthogonal Entropy Unlearning for Quantized Neural Networks

    arXiv:2602.00567v2 Announce Type: replace Abstract: The deployment of quantized neural networks on edge devices, combined with privacy regulations like GDPR, creates an urgent need for machine unlearning in quantized models. However, existing methods face critical challenges: the…

相关实体

相关话题