LoReUn：数据本身隐式提供线索以改进机器遗忘
机器学习
2025-07-31 v1 人工智能
摘要
近期的生成模型面临产生有害内容的重大风险，这凸显了机器遗忘（MU）作为消除不期望数据影响的关键技术的重要性。然而，现有的 MU 方法通常为所有需要遗忘的数据分配相同的权重，这使得难以有效遗忘那些比其他数据更难被遗忘的数据。在本文中，我们实证证明了数据本身的损失可以隐式反映其不同的难度。基于这一见解，我们引入了基于损失重加权的遗忘（LoReUn），这是一种简单而有效的即插即用策略，能够在遗忘过程中以最小的额外计算开销动态地对数据进行重加权。我们的方法显著缩小了现有 MU 方法与精确遗忘在图像分类和生成任务中的差距，有效增强了文本到图像扩散模型中有害内容生成的预防能力。
引用
@article{arxiv.2507.22499,
title = {LoReUn: Data Itself Implicitly Provides Cues to Improve Machine Unlearning},
author = {Xiang Li and Qianli Shen and Haonan Wang and Kenji Kawaguchi},
journal= {arXiv preprint arXiv:2507.22499},
year = {2025}
}
备注
23 pages