数据增强提升机器遗忘效果
机器学习
2025-08-27 v1 人工智能
摘要
机器遗忘（MU）旨在从训练好的模型中移除特定数据的影响，同时保持其对剩余数据的性能。虽然已有少数工作表明记忆与数据增强之间存在关联，但系统化的数据增强设计在MU中的作用仍未得到充分调查。本文我们研究不同数据增强策略对遗忘方法（包括SalUn、随机标签和微调）性能的影响。在CIFAR-10和CIFAR-100上进行的实验显示，恰当的增强设计显著提高遗忘效果，在不同遗忘率下，均能显著缩小与重新训练模型的性能差距。结果表明，采用TrivialAug数据增强可实现最高达40.12%的平均遗忘指标（Average Gap）降低。我们的结果表明，增强不仅有助于减少记忆，还在实现隐私保护和高效遗忘方面发挥关键作用。
引用
@article{arxiv.2508.18502,
title = {Data Augmentation Improves Machine Unlearning},
author = {Andreza M. C. Falcao and Filipe R. Cordeiro},
journal= {arXiv preprint arXiv:2508.18502},
year = {2025}
}
备注
Paper accepted at SIBGRAPI'25