论文分析机器遗忘的效用与复杂度权衡

Youssef Allouah 等作者提交论文《The Utility and Complexity of in- and out-of-Distribution Machine Unlearning》，分析近似机器遗忘在效用、时间和空间复杂度上的根本权衡，并给出类似差分隐私的严格认证。 论文称，对于分布内遗忘数据，带输出扰动的经验风险最小化即可实现紧致的遗忘-效用-复杂度权衡；但面对分布外遗忘数据，即使只删一个样本，遗忘时间也可能超过重新训练。为此，作者提出一种带噪声的鲁棒梯度下降变体来摊销遗忘时间。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。