基于individual sensitivity bounds的认证分部取消
机器学习
2026-05-25 v2 机器学习
摘要
认证机器取消可通过噪声注入实现差分隐私保证，噪声根据最坏情况敏感度校准。这种保守校准常常导致性能下降，限制了实际应用。在本工作中，我们研究了基于针对每个数据点对所学解贡献进行自适应per-instance噪声校准的替代方法。这引出以下挑战：当机制依赖于要删除的特定点时，如何建立形式的取消保证？为定义噪声梯度动力学中的individual数据点敏感度，我们考虑使用per-instance差分隐私。对于通过Langevin动力学训练的岭回归，我们推导出高概率的per-instance敏感度界限，实现显著减少噪声注入的认证取消。我们通过线性情境中的实验验证了理论发现，并在深度学习情境中提供进一步的实证证据。
引用
@article{arxiv.2602.15602,
title = {Certified Per-Instance Unlearning Using Individual Sensitivity Bounds},
author = {Hanna Benarroch and Jamal Atif and Olivier Cappé},
journal= {arXiv preprint arXiv:2602.15602},
year = {2026}
}