基于$\epsilon$-约束优化的图像到图像生成模型可控灾难

尽管生成模型在近年来取得了显著进展，但也引发了隐私泄露和偏见等问题。机器不可知（machine unlearning）已成为一种可行解决方案，旨在从模型中移除特定训练数据，例如包含私人信息和偏见的数据。本文研究了图像到图像（I2I）生成模型中的机器不可知问题。以前的研究主要将其视为单目标优化问题，提供唯一解决方案，从而忽视了用户对在完全不可知和模型实用性之间进行权衡的不同期望。为此，我们提出了可控不可知框架，使用控制系数$\epsilon$来控制权衡。我们将I2I生成模型不可知问题重新表述为$\epsilon$-约束优化问题，并通过梯度方法求解，以找到不可知边界的最优解。这些边界定义了控制系数的有效范围。在此范围内，每个产生的解决方案在理论上都具有帕累托最优性。我们还分析了在各种控制函数下的框架收敛速率。针对三个主流I2I模型，在两个基准数据集上进行大量实验，证明了可控不可知框架的有效性。