Langevin Unlearning：用于机器遗忘的噪声梯度下降新视角

随着确保“被遗忘权”的法律被采纳，机器遗忘引起了极大的兴趣。研究人员在类似于差分隐私的定义下提出了一种近似遗忘的概率概念，其中隐私被定义为与从零开始重新训练在统计上的不可区分性。我们提出了 Langevin unlearning，一种基于噪声梯度下降并带有隐私保证的近似遗忘问题遗忘框架。Langevin unlearning 将差分隐私学习过程和经隐私认证的遗忘过程统一起来，具有诸多算法优势。这些优势包括针对非凸问题的近似认证遗忘、与重新训练相比的复杂度节省，以及针对多次遗忘请求的顺序和批量遗忘。