通过孪生机器遗忘实现对齐数据移除

现代隐私法规推动了机器遗忘技术的发展，该技术能够在无需从头重新训练的情况下从已训练的机器学习模型中移除数据。先前的遗忘方法倾向于使模型在移除数据上的分类准确率降至最低。然而，机器遗忘的真实目标是使遗忘后的模型与金模型对齐，即达到与金模型相同的分类准确率。为此，我们提出了一种孪生机器遗忘（TMU）方法，其中为原始遗忘问题定义了一个对应的孪生遗忘问题。因此，在孪生问题上训练的泛化-标签预测器可以迁移到原始问题，从而促进对齐的数据移除。全面的实证实验表明，我们的方法显著增强了遗忘后模型与金模型之间的对齐。同时，我们的方法允许在不损害模型准确率的情况下进行数据移除。