面向随机森林的高效机器遗忘框架 DynFrs
机器学习
2025-03-20 v2
摘要
随机森林因在诊断疾病、金融和个性化推荐等领域的分类和回归任务中显示卓越效果，屡屡成为主流。然而，这些领域本质上涉及个人敏感数据，引发隐私顾虑。随着 GDPR 和 CCPA 等法规对「被遗忘权」的日益重视，实现随机森林的机器遗忘能力日益重要。然而，现有方法在实际场景中应用受限。为此，我们提出 DynFrs 框架，以实现随机森林的高效机器遗忘，同时保持预测准确性。DynFrs 利用子采样方法 Occ(q) 和惰性标签策略 Lzy，同时可适用于任何随机森林变体。在实验中，将 DynFrs 应用于 Extremely Randomized Trees，可显著提升遗忘性能，实现远超现有随机森林机器遗忘方法的速度优势和更好的预测准确性。
引用
@article{arxiv.2410.01588,
title = {DynFrs: An Efficient Framework for Machine Unlearning in Random Forest},
author = {Shurong Wang and Zhuoyang Shen and Xinbao Qiao and Tongning Zhang and Meng Zhang},
journal= {arXiv preprint arXiv:2410.01588},
year = {2025}
}
备注
Accepted by ICLR 2025