Fisher 屏蔽下的遗忘
原文中文,约200字,阅读约需1分钟。发表于: 。通过使用 Fisher 信息的新掩码策略,在不需要任何微调的情况下,该方法能够几乎完全取消学习,同时保持大部分数据的性能,相对于其他取消学习基准测试还表现出更强的稳定性。
该文介绍了机器遗忘技术的评估方法,包括准确和近似方法、可疑攻击和验证方法,并比较了它们的优缺点和性能。同时,提出了非 IID 删除模型以缓解公平性问题,并探讨了该领域未来的研究方向。
通过使用 Fisher 信息的新掩码策略,在不需要任何微调的情况下,该方法能够几乎完全取消学习,同时保持大部分数据的性能,相对于其他取消学习基准测试还表现出更强的稳定性。
该文介绍了机器遗忘技术的评估方法,包括准确和近似方法、可疑攻击和验证方法,并比较了它们的优缺点和性能。同时,提出了非 IID 删除模型以缓解公平性问题,并探讨了该领域未来的研究方向。