Exploring the Landscape of Machine Unlearning: A Comprehensive Survey and Taxonomy

最新推荐文章于 2024-09-14 16:43:45 发布
最新推荐文章于 2024-09-14 16:43:45 发布
阅读量121 收藏
点赞数
分类专栏： Survey Paper 文章标签： 人工智能 机器遗忘
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/c_cpp_csharp/article/details/131897363
版权
本文深入探讨了机器遗忘（MU）的概念，分析了数据删除、扰动和模型更新等技术，以及在NLP、计算机视觉和推荐系统中的应用。同时，指出了MU面临的挑战，如攻击复杂性、标准化问题和资源限制，并强调了遗忘技术对于保障隐私、安全和公平以及提升AI可信度的重要性。
摘要由CSDN通过智能技术生成

本文是机器遗忘的系列文章，针对《Exploring the Landscape of Machine Unlearning: A Comprehensive Survey and Taxonomy》的翻译。

探索机器遗忘的足迹：综合调研与分类

摘要

由于需要删除或修改由机器学习（ML）模型做出的预测，机器遗忘（MU）正获得越来越多的关注。虽然训练模型变得更加高效和准确，但在隐私、安全和公平等领域，忘记先前学习的信息的重要性变得越来越重要。本文对MU进行了全面的综述，涵盖了当前最先进的技术和方法，包括数据删除、扰动和模型更新。此外，还介绍了常用的度量和数据集。该论文还强调了需要解决的挑战，包括攻击复杂性、标准化、可转移性、可解释性、训练数据和资源限制。本文的贡献包括对MU的潜在利益及其未来方向的讨论。此外，该论文强调，研究人员和从业者需要继续探索和完善遗忘技术，以确保ML模型能够适应不断变化的环境，同时保持用户信任。在使人工智能（AI）更加可信和透明方面，尤其是随着人工智能在涉及大量个人用户数据的各个领域中的重要性日益增加，遗忘的重要性进一步凸显。

1 引言

2 机器遗忘的概要

3 技术与方法

A 数据删除

了解本专栏 订阅专栏 解锁全文 超级会员免费看
UnknownBody
关注
专栏目录
订阅专栏
什么是In-Memory计算？ Mastering In Memory Computing:A Comprehensive Guide
程序员光剑
07-20 2860
作者：禅与计算机程序设计艺术 什么是In-Memory计算？ In-memory computing refers to the process of executing computational tasks by storing input and output data i
Machine Learning for Computer Systems and Networking:A Survey ---综述阅读 对于计算机系统和网络的机器学习
weixin_40293999的博客
03-26 2001
机器学习已经成了计算机视觉和自然语言处理等多个学科领域的主要方法.尽管最近取得了一些突破,机器学习仅仅在计算机视觉和网络领域进入了基本挑战.本文尝试阐明最近的尝试用ml解决计算机系统和网络的传统问题的文献.为了这一目标,我们首先介绍了一套研究问题领域的方法学,然后我们对每个领域进行了综合的回顾,并对这些领域进行了传统方法和ML方法的比较.最后,我们讨论了对计算机系统和网络的机器学习方法限制,的包括:训练数据不足,过拟合,实时性能,可解释性,并针对这些不足揭示出未来发展的方向.最接近我们工作的是[174]。
T5：Exploring the Limits of Transfer Learning with a UnifiedText-to-Text Transformer
@
09-07 3935
跟BERT一样，T5也是Google出品的预训练模型，来自论文为 Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer，代码已开源。T5的理念就是“万事皆可Seq2Seq”，它使用了标准的Encoder-Decoder模型，并且构建了无监督/有监督的文本生成预训练任务
【论文笔记】Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in NLP
gjh1716718326的博客
10-19 6148
摘要 Unlike traditional supervised learning, which trains a model to take in an input x and predict an output y as P(y|x), prompt-based learning is based on language models that model the probability of text directly. To use these models to perform predicti
论文阅读 ：A survey of visual analytics techniques for machine learning
qq_44654498的博客
12-19 2334
A survey of visual analytics techniques for machine learning
【阅读】A Comprehensive Survey on Distributed Training of Graph Neural Networks——翻译
热门推荐
xfxuezhang.cn
01-20 1万+
了分布式全批量训练和分布式小批量训练，并讨论了该领域的几个有趣。
Deep learning_CNN_Review：A Survey of the Recent Architectures of Deep Convolutional Neural Networks—...
Alliswell_WP
11-08 2368
CNN综述文章的翻译 [2019 CVPR] A Survey of the Recent Architectures of Deep Convolutional Neural Networks 翻译 综述深度卷积神经网络架构：从基本组件到结构创新 目录 摘要 1、引言 2、CNN基本组件 2.1 卷积层 2.2 池化层 2...
（论文阅读笔记）Deep Learning based Recommender System: A Survey and New Perspectives
m0_37191067的博客
02-23 7360
为了交英语作业机翻了这篇论文的一些部分 ，由于时间有限，感兴趣的内容有时间再翻 1引言： 推荐系统出现的背景：在这个信息爆炸的时代，许多用户都要面临信息过载的负担，推荐系统可以为用户过滤掉大部分用户不感兴趣的内容，帮助用户高效的找到感兴趣的东西。推荐系统在许多领域都已经成功应用，例如娱乐、购物、媒体等信息量冗余的领域。推荐系统在各个领域扮演者至关重要和必不可少的角色来提升业务和更方便的制定业务...
【论文笔记】Deep Learning on Graphs: A Survey
weixin_44884854的博客
09-24 3901
1 INTRODUCTION This problem is non-trivial because several challenges exist in applying traditional deep learning architectures to graphs: 这个问题是非常重要的，因为在将传统的深度学习架构应用于图形时存在一些挑战： Irregular structures of graphs.图的不规则结构 Heterogeneity and diversity of graphs.图的
深度学习文本分类文献综述（翻译自Deep Learning Based Text Classification: A Comprehensive Review）
qq_41978896的博客
02-01 5169
深度学习文本分类文献综述摘要介绍1. 文本分类任务2．文本分类中的深度模型2.1 Feed-Forward Neural Networks2.2 RNN-Based Models2.3 CNN-Based Models2.4 Capsule Neural Networks2.5 Models with Attention Mechanism2.6 Memory-Augmented Networks2.7 Transformers2.8 Graph Neural Networks2.9 Siamese Neu
Exploring the transition-probability-control landscape of open quantum systems: Application to a two-level case
02-20
本文探讨的是开放量子系统中状态转移概率的控制景观，并以两能级系统为具体案例进行了深入分析。首先，文章介绍了开放量子系统的控制景观概念，这涉及到如何通过电磁场操纵量子系统的问题。这一目标在化学反应的控制...
Deep Learning for Visual Tracking: A Comprehensive Survey(单目标跟踪目前最好的综述类文章)
weixin_45032769的博客
12-02 1160
Deep Learning for Visual Tracking: A Comprehensive Survey https://arxiv.org/pdf/1912.00535.pdf
Exploring the landscape of large language models: Foundations, techniques, and challenges
c_cpp_csharp的专栏
07-16 404
在这篇综述论文中，我们深入研究了大型语言模型（LLMs）的领域，涵盖了它们的基本原理、不同的应用和微妙的训练过程。本文阐述了情境学习的机制和一系列微调方法，特别关注优化参数使用效率的方法。此外，它还探讨了如何通过创新的强化学习框架和其他结合人类反馈的新方法，使LLM与人类偏好更加一致。本文还探讨了新兴的检索增强生成技术，将外部知识整合到LLM中。讨论了LLM部署的伦理维度，强调了谨慎和负责任的应用的必要性。
Exploring the Nexus of Large Language Models and Legal Systems: A Short Survey
c_cpp_csharp的专栏
08-25 143
随着人工智能（AI）和大型语言模型（LLMs）的进步，法律领域的自然语言处理任务领域正在发生深刻的变革。LLM的能力在法律领域越来越显示出独特的作用，既带来了独特的好处，也带来了各种挑战。这项调查深入研究了LLM和法律体系之间的协同作用，例如它们在法律文本理解、案例检索和分析等任务中的应用。此外，这项调查突出了LLM在法律领域面临的主要挑战，包括偏见、可解释性和伦理考虑，以及研究人员如何解决这些问题。该调查展示了为各种法律体系量身定制的微调LLM的最新进展，以及可用于微调各种语言LLM的法律数据集。
生成式人工智能在新加坡的发展现状和地位
wukangjupingbb的博客
09-11 965
依据国际隐私专业人员协会(IAPP)的相关报告，2020年，上述两机构更新了该模型框架，发布了第二版，并推出了《组织实施和自我评估指南》，帮助组织评估其人工智能治理实践与型框架的匹配程度，还发布了《案例汇编》，展示了组织如何实施负责任的人工智能治理实践。2019年，金融管理局宣布与金融行业合作创建Veritas框架，为金融机构提供可验证的方法，将FEAT原则纳入其人工智能和数据分析驱动的解决方案中。新加坡在人工智能治理方面采取了部门性的方法，即通过各个行业的监管机构来管理人工智能的使用。
从AI到大数据，数字技术服务平台全栈赋能企业升级
smjt2024的博客
09-11 558
海量的数据中蕴含着丰富的信息和价值，数字技术服务平台能够收集、整理和分析这些数据，为企业提供精准的市场洞察和决策支持。企业可以通过参加树莓集团举办的培训课程和研讨会，了解最新的数字技术趋势和应用案例，提升自身的数字技术水平。从技术咨询、解决方案设计到系统实施和运维，数字技术服务平台为企业提供一站式的服务，让企业无需担心技术难题，专注于自身的核心业务。树莓集团的数字技术服务平台，以其先进的技术、专业的服务和丰富的经验，为企业提供了全栈赋能。在数字时代，让我们共同利用数字技术服务平台，开启企业升级的新篇章。
Djourney新手入门基础，AI摄影+AI设计+AI绘画-AIGC作图
DAMOXINGHAITAI的博客
09-14 785
（全套教程文末领取哈）从大模型系统设计入手，讲解大模型的主要方法；在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；以SD多模态大模型为主，搭建了文生图小程序案例；以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
常见本地大模型个人知识库工具部署、微调及对比选型
最新发布
09-14 775
由于作者的眼界、精力和能力也有限，并且确实也不是专业的AI研究员，仅仅是一位兴趣使然的爱好者，这里列出的几款也单纯只是作者平常关注到的，所以可能也不全，请各位见谅！文章从起笔写到这里已经过了三天了，这三天也基本把上文提到的大模型侧工具全部体验了一遍，下面说一下主要结论吧。从功能丰富度和性能优化的角度综合评估，LM Studio明显更胜一筹。从工具本身使用及模型部署效率来看，Ollama的上手速度会更快，使用会更便捷，效率也会更高。从企业级稳定性和高可用。
评论
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

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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