记得一切会使你脆弱：面向个人化医疗领域的机器遗忘技术探析

随着数据驱动技术在医疗保健领域的普及，关于数据隐私和安全的关注日益增加。本论文旨在解决个人化医疗模型——尤其是在心电图监测情境下——针对威胁患者隐私的对抗性攻击的脆弱性。我们提出一种称为“机器遗忘”（Machine Unlearning）的方法，以减轻暴露数据点对机器学习模型的影响，从而增强模型对对抗性攻击的鲁棒性，同时保持个人隐私。具体而言，我们探讨在个人化心电图监测中应用机器遗忘的有效性，利用临床心电图记录数据集。我们的 methodology 包括在心电图数据上训练深度神经分类器，并为单个患者进行模型微调。我们展示了针对微调模型的脆弱性，如快速梯度符号方法（FGSM）这类对抗性攻击，这些攻击可利用个人化模型中额外的数据点。为了解决这一脆弱性，我们提出一种机器遗忘算法，从微调模型中选择性地移除敏感数据点，有效增强模型抗对抗性操纵的能力。实验结果表明，我们的方法在保持预训练模型准确性的同时，成功减轻了对抗性攻击的影响。