任务感知的机器遗忘及其在负荷预测中的应用

数据隐私与安全已成为负荷预测中不可忽视的因素。以往研究主要集中于训练阶段的增强。然而，一旦模型训练完成并部署，若发现部分训练数据恶意或应数据所有者要求，模型可能需要“遗忘”（即消除）这部分训练数据的影响。本文引入机器遗忘的概念，专门设计用于消除部分数据集对已训练预测器的影响。然而，直接遗忘不可避免地会降低模型泛化能力。为平衡遗忘完整性与模型性能，提出一种性能感知算法，利用影响函数和样本重加权评估局部模型参数变化的敏感性。此外，我们观察到均方误差等统计准则无法充分反映电力系统下游任务的运行成本。因此，提出任务感知的机器遗忘，其目标为考虑调度与再调度问题的三层优化。我们从理论上证明了该目标梯度的存在性，这是剩余样本重加权的关键。我们在基于线性、CNN 和 MLP-Mixer 的负荷预测器及真实负荷数据集上测试了遗忘算法。仿真展示了遗忘完整性与运行成本之间的平衡。所有代码见 https://github.com/xuwkk/task_aware_machine_unlearning。