挑战遗忘：揭示机器非遗忘最差情况集合
原文中文，约300字，阅读约需1分钟。发表于：。机器遗忘 (MU) 是一个重要问题，旨在消除特定数据对模型性能的影响，同时保持模型的实用性。通过从对抗角度进行最坏情况遗忘子集的识别，我们提出了一种新的 MU 评估方法，通过双层优化原则在上层优化级别放大遗忘挑战，在下层进行标准训练和遗忘，实现数据影响擦除和模型实用性之间的平衡。我们的研究揭示了 MU 在实践中的复杂挑战，指导未来更准确、更鲁棒的遗忘算法的发展。
机器遗忘是一个重要问题，旨在消除特定数据对模型性能的影响，同时保持模型的实用性。通过对抗角度进行最坏情况遗忘子集的识别，我们提出了一种新的机器遗忘评估方法，通过双层优化原则在上层放大遗忘挑战，在下层进行标准训练和遗忘，实现数据影响擦除和模型实用性之间的平衡。我们的研究揭示了机器遗忘在实践中的复杂挑战，指导未来更准确、更鲁棒的遗忘算法的发展。
