FORGET UNLEARNING TOWARDS TRUE- DATA DELETION IN MACHINE LEARNING

最新推荐文章于 2024-09-13 13:51:59 发布
最新推荐文章于 2024-09-13 13:51:59 发布
阅读量181 收藏
点赞数
分类专栏： 遗忘学习 文章标签： 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/World1989/article/details/127573164
版权

主要用于组会汇报，故直接用ppt截图

目录

•1. INTRODUCTION
•2. MODEL AND PRELIMINARIES
•3. UNLEARNING GUARANTEES ARE UNSOUND AND INCOMPLETE MEASURE OF "RIGHT TO BE FORGOTTEN“
•4. REDEFINING DATA-DELETION IN MACHINE LEARNING
•5. DATA DELETION USING NOISY GRADIENT DESCENT
•6.Conclusions

1. INTRODUCTION

在这里插入图片描述
第二页ppt
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

第二章

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

第三章

在这里插入图片描述

第四章

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

第五章

在这里插入图片描述
在这里插入图片描述

第六章

在这里插入图片描述

One world
关注
专栏目录
【论文笔记】Towards Making Systems Forget with Machine Unlearning
lasetd的博客
06-22 582
论文笔记
Federated Unlearning for On-Device Recommendation
hehehehejiejie的博客
01-10 1035
本文主要介绍了一种名为FRU（Federated Recommendation Unlearning）的联邦学习框架，用于在设备端的推荐系统中实现用户数据的有效擦除和模型重建。FRU通过存储用户的历史更新并校准这些更新，实现了有效的用户数据擦除和模型重建，从而保护用户隐私并提高系统的安全性。文章提出了重要性基础的更新选择策略和一种新颖的负采样方法，以在资源受限的设备上高效存储历史更新。通过实验证明，FRU能够消除特定用户的影响，并以至少7倍的速度加快模型的恢复过程。
【博士每天一篇文献-算法】Machine Unlearning via Representation Forgetting With Parameter Self-Sharing
BetterBench的博客
05-16 361
这篇论文探讨了机器学习的“反学习”（machine unlearning）问题，即数据所有者希望从已训练好的模型中移除特定样本的影响。现有的方法在移除数据影响和保留模型效用之间难以找到最佳平衡，通常会导致显著的模型效用下降，称为灾难性反学习（catastrophic unlearning）。
【博士每天一篇文献-算法】Zero-Shot Machine Unlearning
BetterBench的博客
05-16 503
由于现代隐私法规中，有些个人要求产品和服务（包括机器学习模型）不能保留他们的信息。机器遗忘涉及从训练好的机器学习模型中移除特定数据，而无需重新进行昂贵且耗时的训练。文档介绍了零样本机器遗忘的概念，即无需原始训练数据就可以实现遗忘。
Machine Unlearning-crx插件
04-04
"Machine Unlearning-crx插件"是一个针对英语用户（United States）设计的浏览器扩展程序，其主要目的是替换或重新诠释与机器学习（Machine Learning）和人工智能（AI）相关的流行术语，提供更为准确或恰当的表达...
【论文笔记】Zero-Shot Machine Unlearning
lasetd的博客
07-05 1537
论文笔记
【文献阅读】Unsupervised Machine Learning for Bot Detection on Twitter
weixin_42726068的博客
09-11 479
引入新特征，并降低所提模型的复杂性，从而提高基于聚类算法的机器人识别准确性。最小化数据集维度和选择重要特征来实现的。实验证明该方法的特征可以与四种不同的聚类技术（agglomerating、k-medoids、DBSCAN 和 K-means）结合使用，以解决由缺失标签和异常值引起的机器人识别问题。通过选择排名靠前的特征并减少维度，达到了 0.99 的准确率。
【机器学习】从零开始理解深度学习——揭开神经网络的神秘面纱
擅长将自己的感受、想法、知识通俗地表达出来，会点前后端开发、自动化测试、性能测试、爬虫。将来可能学硬件、AI。但一定会写实用的脚本。
09-06 2904
深度学习是机器学习的一个重要分支，通过多层神经网络处理复杂数据，广泛应用于图像识别、自然语言处理等领域。我们将在这篇文章中揭开深度学习和神经网络的神秘面纱。
机器学习特征构建与特征筛选
西木风落
09-10 887
上一篇文章讲述了原始特征分析和处理，保障后续拿到的是干净的特征变量，但实际这些特征对于建模不一定是有效的，所以需要在原始特征的基础上，结合业务场景做特征变量的衍生，提升数据的表达能力。
机器学习2--matplotlib绘图包
qq_54641174的博客
09-12 476
matplotlib画图
机器学习和深度学习的区别
不会代码的小林
09-11 661
综上所述，机器学习和深度学习在定义与起源、模型复杂度、数据需求、计算资源需求、特征学习能力以及应用范围与场景等方面都存在显著的区别。深度学习：则通常使用多层的神经网络模型，如卷积神经网络（CNN）、递归神经网络（RNN）等，这些模型复杂度高，包含大量的参数，能够处理更加复杂和抽象的问题。机器学习：常用的模型包括线性回归、支持向量机、随机森林等，这些模型相对简单，参数较少，适合处理较为简单的问题。深度学习：需要大量的标记数据来训练复杂的模型，以避免过拟合等问题，对数据的量和质都有较高的要求。
【mechine learning-六-supervise learning之线性回归模型】
zishuijing_dd的博客
09-12 1081
线性模型是人工智能监督学习中最广泛的应用，所以有必要先学习一下这个基础模型，做好基石。
机器学习中的 K-均值聚类算法及其优缺点
樂小伍
09-11 1099
总结：K-均值聚类是一种简单而常用的聚类算法，适用于大型数据集和球状簇。然而，它的效果可能会受到初始聚类中心的选择和对 K 的预设值的敏感性，且在处理非球状簇、不同大小的簇和噪声数据时效果较差。K-均值聚类是一种常用的无监督学习算法，用于将数据点分为 K 个不同的聚类。
机器学习评估指标-学习篇
qq_38925911的博客
09-12 1205
模型评估是机器学习和人工智能领域中的一个关键环节，它旨在对训练好的模型进行性能评估，以了解模型在未见过的新数据上的表现。模型评估的目的通过评估，确定模型在给定任务上的准确度、可靠性、泛化能力等指标。发现模型在特定类型数据或情境中的弱点，如过拟合、欠拟合或偏差。提供关于如何调整模型参数、优化数据处理方法的具体见解。评估结果是迭代开发过程中不可或缺的部分，帮助开发者在每个阶段优化模型。评估模型在现实世界复杂和不可预测数据上的表现，确保模型能够有效工作。样本集划分。
机器学习--逻辑回归
ID246783的博客
09-12 997
是表示我们拟合出来的那条直线（二维的情况下，一下解释也是二维的情况下，高维就类比就行了）。而并且上过高中的都知道，同样的，我们考虑和线性回归一样构造一个表示差异程度的函数，然后用。这条直线将平面分成了两部分，一部分中的点是。表示的是这条直线上方的半平面部分，而。表示的是这条直线下方的半平面部分。的），而在逻辑回归中，我们希望。我们可以看到，这个函数过点。在逻辑回归中，我们只讨论。如果我们考虑将概率超过。在线性回归中，我们有。的一类，并把概率小于。
深度学习和机器学习的区别
最新发布
JustinMars的博客
09-13 276
机器学习和深度学习各有优势和适用场景。机器学习更适合处理结构化数据，计算资源需求较低，且具备良好的可解释性。而深度学习在大规模非结构化数据处理方面表现突出，适合复杂任务，但需要更多的计算资源和数据支持。
机器学习与深度学习的区别
与时俱进，一专多能。
09-12 1400
深度学习是机器学习的一个子集，主要使用了一种特定类型的模型——神经网络，特别是多层次的神经网络（也称为深度神经网络）。深度学习的概念在20世纪60年代已有雏形，但直到2006年，随着科技的发展，特别是在计算能力和数据可用性方面的突破，深度学习才开始获得广泛关注。3. 计算需求：深度学习通常需要更强大的计算资源和更多的数据来训练有效的模型，而传统的机器学习方法可能不需要那么多资源。总的来说，深度学习是机器学习的一个高级分支，专注于通过神经网络解决复杂的、高维度的分析问题。
【机器学习】9 ——最大熵模型的直观理解
qq_43507078的博客
09-13 1186
最大熵模型的直观理解
machine unlearning
03-16
机器反学习（machine unlearning）是指通过删除或修改训练数据，使机器学习模型“忘记”之前学习的知识。这种技术可以用于纠正模型的错误或改变其行为，也可以用于保护个人隐私，避免机器学习模型泄露敏感信息。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值