FiCABU：面向边缘 AI 的基于 Fisher 统计的、上下文自适应的机器遗忘处理器

机器遗忘技术驱动着隐私法规和“被遗忘权”，在边缘设备上日益受到需求，但服务器中心或依赖重新训练的方法在计算和能源预算紧张的情况下是不可行的。我们提出FiCABU（Fisher 基准、上下文自适应平衡遗忘），这是一种软件硬件协同设计，为边缘 AI 处理器带来遗忘能力。FiCABU结合了（i）上下文自适应遗忘，即从后端层开始编辑，直到达到目标遗忘效果，以及（ii）平衡抑制，即按深度比例缩放抑制强度以保持保留精度。这些方法在一个完整的 RISC-V 边缘 AI 处理器的 RTL 设计中实现，该设计将两个轻量级 IP 集成到以 GEMM 为中心的流式管道中，用于 Fisher 估计和抑制。在 FPGA 原型上验证后，合成至 45 nm 进行功耗分析。对于 CIFAR-20 和 PinsFaceRecognition，使用 ResNet-18 和 ViT，FiCABU 在保持随机猜测遗忘精度的同时，匹配了无重新训练的选择性抑制 Synaptic Dampening（SSD）基准在保留精度方面的表现，计算量降低了最高可达 87.52%（ResNet-18）和 71.03%（ViT）。在 INT8 硬件原型上，FiCABU进一步提高了保留保护程度，将能耗降低至 SSD 基准的 6.48%（CIFAR-20）和 0.13%（PinsFaceRecognition）。总之，FiCABU 表明，后端优先、深度感知的遗忘技术在资源受限的边缘 AI 设备上既是实用且高效的。