CoUn：通过对比学习赋能机器遗忘
机器学习
2026-05-19 v3 人工智能
计算机视觉与模式识别
摘要
机器遗忘 (MU) 旨在从已训练的模型中移除特定“遗忘”数据的影响，同时保留其对剩余“保留”数据的知识。现有的基于标签操纵或模型权重扰动的 MU 方法通常只能取得有限的遗忘效果。为了解决这一问题，我们引入了 CoUn，一种受以下观察启发的新型 MU 框架：仅使用保留数据从头开始重新训练的模型会根据遗忘数据与保留数据的语义相似性对遗忘数据进行分类。CoUn 通过对比学习 (CL) 和监督学习调整已学习的数据表示来模拟这一行为，且仅应用于保留数据。具体而言，CoUn (1) 利用数据样本之间的语义相似性，通过 CL 间接调整遗忘表示，以及 (2) 通过监督学习将保留表示维持在各自的簇内。在各种数据集和模型架构上的大量实验表明，CoUn 在遗忘效果上始终优于 SOTA 的 MU 基线。此外，将我们的 CL 模块集成到现有基线中能够提升其遗忘效果。
引用
@article{arxiv.2509.16391,
title = {CoUn: Empowering Machine Unlearning via Contrastive Learning},
author = {Yasser H. Khalil and Mehdi Setayesh and Hongliang Li},
journal= {arXiv preprint arXiv:2509.16391},
year = {2026}
}