Forget-MI:医疗场景中遗忘多模态信息的机器遗忘方法
机器学习
2025-07-01 v1 密码学与安全
计算机视觉与模式识别
摘要
AI 中的隐私保护至关重要,尤其是在依赖敏感患者数据的医疗领域。在新兴的机器遗忘领域,现有方法难以从训练好的多模态架构中移除患者数据,而多模态架构在医疗领域被广泛使用。我们提出了 Forget-MI,一种用于多模态医疗数据的新型机器遗忘方法,通过建立损失函数和扰动技术来实现。我们的方法对要求被遗忘的数据的单模态和联合表示进行遗忘,同时保留来自剩余数据的知识,并保持与原始模型相当的性能。我们使用遗忘数据集上的性能、测试数据集上的性能以及成员推理攻击(MIA)来评估结果,其中 MIA 衡量攻击者区分遗忘数据集与训练数据集的能力。我们的模型优于旨在降低 MIA 和遗忘数据集性能的现有方法,同时在测试集上保持同等性能。具体而言,我们的方法将 MIA 降低了 0.202,并将遗忘集上的 AUC 和 F1 分数分别降低了 0.221 和 0.305。此外,我们在测试集上的性能与重训练模型相匹配,同时允许遗忘。代码可在 https://github.com/BioMedIA-MBZUAI/Forget-MI.git 获取
引用
@article{arxiv.2506.23145,
title = {Forget-MI: Machine Unlearning for Forgetting Multimodal Information in Healthcare Settings},
author = {Shahad Hardan and Darya Taratynova and Abdelmajid Essofi and Karthik Nandakumar and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2506.23145},
year = {2025}
}