机器遗忘中的威胁、攻击与防御：综述

机器遗忘（MU）近年来因其通过从训练好的机器学习（ML）模型中移除特定数据的影响来实现安全人工智能的潜力而受到广泛关注。这一过程被称为知识移除，解决了训练数据在质量、敏感性、版权限制和过时性等方面的人工智能治理问题。该能力对于确保遵守隐私法规（如“被遗忘权”（RTBF））也至关重要。此外，有效的知识移除能够降低有害结果的风险，防范偏见、错误信息和未经授权的数据利用，从而增强人工智能系统的安全性和负责任使用。人们已努力设计高效的遗忘方法，并研究了将MU服务与现有的机器学习即服务（MLaaS）集成，允许用户提交请求以从训练语料库中移除特定数据。然而，近期研究揭示了机器遗忘系统中的漏洞，如信息泄露和恶意遗忘，这些可能导致重大的安全和隐私问题。此外，广泛研究表明，遗忘方法和普遍攻击在MU系统中扮演着多种角色。这凸显了这些机制在维护系统功能和安全性方面的复杂关系与相互作用。本综述旨在填补机器遗忘中威胁、攻击和防御的大量研究与缺乏对其分类法、方法和解决方案进行全面回顾之间的空白，从而为未来的研究方向和实际实施提供有价值的见解。