边缘无学习在“边缘”上并非如此：面向资源受限设备的自适应精确无学习系统

“被遗忘权利”要求机器学习模型能够擦除数据所有者的数据和信息。仅从数据集中删除数据是不够的，因为机器学习模型会记忆训练数据的信息，这增加了对用户隐私的潜在风险。为此，已开发并部署了多种机器无学习技术。其中，近似无学习是一种流行的解决方案，但最近的研究报告称，其无学习效果并未得到充分保证。另一种方法是精确无学习，通过丢弃数据并从头重新训练模型，但需要相当大的计算和内存资源。然而，并非所有设备都具备进行此类重新训练的能力。在诸如边缘设备、物联网（IoT）、移动设备和卫星等众多机器学习应用中，资源受限，使得部署现有的精确无学习方法提出了挑战。本研究提出了面向网络边缘的约束感知自适应精确无学习系统（CAUSE），一种在资源受限设备上实现精确无学习的方法。旨在通过存储资源受限设备上的子模型来最小化重新训练开销，CAUSE 创新性地应用了斐波那契替换策略，并在基于用户的数据分区过程中自适应更新分片数量。为进一步提高内存使用的效果，CAUSE 利用模型修剪通过压缩节省内存，同时对准确率影响最小。实验结果表明，CAUSE 在资源受限设备上实现精确无学习时，相较于其他代表性系统，在无学习速度、能耗和准确率方面分别提高了 9.23%-80.86%、66.21%-83.46% 和 5.26%-194.13%。