基于关键图的高效目标级机器遗忘

机器遗忘是一项新兴技术，已引起广泛关注。包括法规法律、隐私和可用性担忧在内的诸多因素，导致需要让训练好的模型遗忘其部分训练数据。现有的机器遗忘研究主要集中在遗忘一个实例簇或一个类别中的所有实例的请求上。虽然这些方法在移除实例方面是有效的，但它们无法扩展到需要遗忘一个实例内部分目标的场景。例如，人们可能只想从一个同时包含该人和其他目标的实例中遗忘掉这个人。直接将实例级遗忘迁移到目标级遗忘会降低遗忘后模型的性能，或者无法完全擦除信息。为了解决这些问题，我们提出了一种更有效且高效的遗忘方案，专注于从模型中移除部分目标，我们将其命名为“目标遗忘”。具体来说，我们首先构建一个关键图数据结构来描述基于模型解释方法选择的所有重要参数之间的关系。之后，我们同时过滤掉对剩余目标也重要的参数，并使用基于剪枝的遗忘方法，这是一种简单但有效的解决方案，用于移除需要被遗忘的目标的信息。在不同数据集上使用不同训练模型进行的实验证明了所提出方法的有效性。