无访问条件下的合成遗忘：面向少样本零视角机器遗忘框架
机器学习
2025-11-18 v1 人工智能
摘要
机器遗忘旨在从训练好的模型中消除特定数据的影响，以确保隐私合规。然而，大多数现有方法假设对原始训练数据集拥有完全访问权限，这在实际中往往不切实际。我们针对更现实且具挑战性的设置：少样本零视角，即仅保留少量数据可用且遗忘集完全不可访问的情况。我们引入 GFOES 框架，包括生成式反馈网络（GFN）和两阶段微调程序。GFN 生成最优擦除样本（OES），这些样本在目标类别上产生高损失，从而在无需访问原始遗忘数据的情况下消除模型对类别特定知识的影响，同时保持对保留类别的性能。两阶段微调程序实现了第一个阶段的激进遗忘，随后在第二个阶段中恢复实用性。在三个图像分类数据集上的实验表明，GFOES 在逻辑和表示层面均实现了有效遗忘，而仅使用原始数据的 5% 即可保持强大的性能。我们的框架在数据受限条件下提供了一种实用且可扩展的隐私保护机器学习解决方案。
引用
@article{arxiv.2511.13116,
title = {Synthetic Forgetting without Access: A Few-shot Zero-glance Framework for Machine Unlearning},
author = {Qipeng Song and Nan Yang and Ziqi Xu and Yue Li and Wei Shao and Feng Xia},
journal= {arXiv preprint arXiv:2511.13116},
year = {2025}
}