DFMU

新的数据节约型遗忘方法减少了重新训练需求

研究人员开发了一种名为数据节约型机器学习遗忘（DFMU）的新方法，以有效地从训练好的机器学习模型中移除特定数据元素。与需要大量重新训练的现有方法不同，DFMU使用一次前向和后向传播来计算模型组件的重要性。这种方法保留了知识并收敛更快，所需数据量大大减少。实验表明，与最先进的方法相比，DFMU仅使用13%的数据就能获得40%的更高准确率，并且遗忘任务的处理速度提高了88%。