Forget 向量在机器无学习中的作用：驱动图像分类的通用输入扰动
机器学习
2025-03-18 v4 计算机视觉与模式识别
摘要
机器无学习 (MU)，即寻求从已训练模型中擦除特定不可寻求数据影响的技术，正变得越来越重要，尤其是为了遵循不断演变的数据法规如“被遗忘权”。传统方法主要基于模型，通常需要重新训练或微调模型的权重以满足无学习要求。在本工作中，我们从一种新颖的输入扰动方法的角度来处理 MU 问题，即模型权重在无学习过程中保持不变。我们展示了一种主动基于输入的方法的无学习策略，称为 forget 向量，可作为一种不依赖于输入的数据扰动生成，并且与基于模型的近似无学习方法一样有效。我们也探索了 forget 向量的算术运算，即通过简单操作（如线性组合）将多个类别特定的 forget 向量组合以生成用于未见无学习任务的新 forget 向量，例如在类别之间遗忘任意子集。广泛的实验验证了 forget 向量的有效性和可适应性，展示了其相对于最先进模型方法的竞争性能。代码已公开于 https://github.com/Changchangsun/Forget-Vector。
引用
@article{arxiv.2412.16780,
title = {Forget Vectors at Play: Universal Input Perturbations Driving Machine Unlearning in Image Classification},
author = {Changchang Sun and Ren Wang and Yihua Zhang and Jinghan Jia and Jiancheng Liu and Gaowen Liu and Yan Yan and Sijia Liu},
journal= {arXiv preprint arXiv:2412.16780},
year = {2025}
}