基于SISA的深度神经网络架构实现类别移除的机器遗忘
计算机视觉与模式识别
2026-05-01 v1 密码学与安全
机器学习
摘要
图像生成模型及其他人工智能（AI）系统的快速普及加剧了人们对数据隐私和用户同意的担忧。随着公共数据集可用性的下降，大型科技公司越来越依赖专有或私有的用户数据进行模型训练，这引发了当用户要求删除其已影响训练模型的数据时的伦理和法律挑战。机器遗忘旨在通过无需完全重新训练即可从模型中移除特定数据来解决此问题。本研究探讨了一种改进的SISA（分片、隔离、切片和聚合）框架，旨在卷积神经网络（CNN）架构中实现类别级别的遗忘。所提出的框架结合了强化重放机制和门控网络，以提高选择性遗忘效率。在多个图像数据集和CNN配置上的实验评估表明，改进的SISA方法能够实现有效的类别遗忘，同时保持模型性能并减少重新训练开销。这些发现突显了基于SISA的遗忘在隐私敏感的AI应用中部署的潜力。该实现已在https://github.com/SiamFS/sisa-class-unlearning上公开提供。
引用
@article{arxiv.2604.27804,
title = {Machine Unlearning for Class Removal through SISA-based Deep Neural Network Architectures},
author = {Ishrak Hamim Mahi and Siam Ferdous and Md Sakib Sadman Badhon and Nabid Hasan Omi and Md Habibun Nabi Hemel and Farig Yousuf Sadeque and Md. Tanzim Reza},
journal= {arXiv preprint arXiv:2604.27804},
year = {2026}
}
备注
10 pages, 9 figures, 2 tables