探索机器遗忘的图景：一项综合性综述与分类

由于需要移除或修改机器学习（ML）模型所做的预测，机器遗忘（MU）正受到越来越多的关注。尽管模型训练已变得更加高效和准确，但在隐私、安全和公平等领域，遗忘先前所学信息的重要性日益显著。本文对 MU 进行了全面综述，涵盖当前最先进的技术与方法，包括数据删除、扰动和模型更新。此外，还介绍了常用的度量指标与数据集。本文也强调了需要应对的挑战，包括攻击的复杂性、标准化、可迁移性、可解释性、训练数据以及资源限制。本文的贡献包括对 MU 潜在益处及其未来方向的讨论。此外，本文强调研究人员与从业者需要持续探索并改进遗忘技术，以确保 ML 模型能够适应不断变化的环境，同时维持用户信任。在使人工智能（AI）更值得信赖和透明方面，遗忘的重要性进一步凸显，尤其是在涉及大量个人用户数据的各领域 AI 重要性日益增加的情况下。