CURE：面向人脸识别系统的质心引导无监督表示擦除
计算机视觉与模式识别
2025-09-25 v1
摘要
在当前数字时代，人脸识别系统具有显著实用价值，已广泛集成到现代技术基础设施中，但其广泛应用也引发严重隐私担忧，促使监管机构要求按需删除数据。机器遗忘作为解决此问题的强大方法，通过选择性地从训练模型中移除特定用户数据的影响，同时保持整体模型性能。然而，现有机器遗忘技术大多依赖于需要身份标签的监督方法，这在隐私受限的情况下或大规模噪声数据集中常不可得。为填补这一关键缺口，我们提出 CURE（Centroid-guided Unsupervised Representation Erasure），即首个面向人脸识别系统的无监督遗忘框架，无需使用身份标签，有效移除目标样本，同时保持整体性能。我们还提出一种新型指标——遗忘效率分数（Unlearning Efficiency Score, UES），在平衡遗忘稳定性和保留稳定性方面，解决了当前评估指标的不足。CURE 在无监督变体中显著优于现有遗忘方法。此外，我们通过指定低质量图像作为遗忘集，演示了其可用性和优势，突显了图像质量在机器遗忘中的作用。
引用
@article{arxiv.2509.19562,
title = {CURE: Centroid-guided Unsupervised Representation Erasure for Facial Recognition Systems},
author = {Fnu Shivam and Nima Najafzadeh and Yenumula Reddy and Prashnna Gyawali},
journal= {arXiv preprint arXiv:2509.19562},
year = {2025}
}