面向语义通信的深度学习机器遗忘：一种高效 SCU 框架
密码学与安全
2025-02-28 v1 机器学习
摘要
深度学习（DL）驱动的语义通信利用 DL 来训练编码器和解码器（编解码器），以提取和恢复语义信息。然而，大多数语义训练数据集包含个人私人信息，当前用户希望将其数据从语义系统中转走时，对擦除语义编解码器中指定数据的要求将极大。现有机器遗忘解决方案从训练模型中移除数据贡献，但通常仅适用于监督单一模型场景。这些方法在需要联合训练无监督编码器和解码器的语义通信中不可行。本文研究深度学习驱动的语义通信中的遗忘问题，提出一种语义通信遗忘（SCU）方案以解决此问题。SCU 包括两个关键组件。首先，我们针对语义编解码器（包括编码器和解码器）定制联合遗忘方法，通过最小化已删除样本所学习的语义表示与其的相互信息。其次，为补偿遗忘导致的语义模型性能下降，我们提出一种对比补偿方法，将已删除数据视为负样本，将剩余数据视为正样本进行对比性重新训练。理论分析和在三个代表性数据集上的大量实验结果表明，我们提出的方法在有效性和效率方面均得到了验证。
引用
@article{arxiv.2502.19785,
title = {SCU: An Efficient Machine Unlearning Scheme for Deep Learning Enabled Semantic Communications},
author = {Weiqi Wang and Zhiyi Tian and Chenhan Zhang and Shui Yu},
journal= {arXiv preprint arXiv:2502.19785},
year = {2025}
}