Obliviate: Un Framework Efficiente per il Disapprendimento nei Sistemi di Raccomandazione
Un nuovo framework di machine unlearning chiamato Obliviate affronta le normative sulla privacy dei dati per i sistemi di raccomandazione. Rimuove i dati di interazione degli utenti e la loro influenza a valle dai modelli addestrati senza un riaddestramento completo. L'approccio in due fasi utilizza un Low-Rank Unlearning Adapter (LUA) con un proxy Hessiano leggero per un disapprendimento curvature-aware. I metodi esistenti soffrono di disapprendimento incompleto, degrado delle prestazioni e costo computazionale elevato. Obliviate raggiunge un'elevata completezza del disapprendimento mantenendo l'utilità. L'articolo è pubblicato su arXiv con ID 2607.22665.
Fatti principali
- Obliviate è un framework di disapprendimento in due fasi per sistemi di raccomandazione.
- Utilizza un Low-Rank Unlearning Adapter (LUA) con un proxy Hessiano.
- L'obiettivo è rimuovere i dati di interazione degli utenti e la loro influenza senza riaddestramento completo.
- Gli approcci esistenti presentano limitazioni in completezza, prestazioni e costo computazionale.
- Obliviate raggiunge un'elevata completezza del disapprendimento preservando la qualità delle raccomandazioni.
- L'articolo è disponibile su arXiv con ID 2607.22665.
- Il machine unlearning è fondamentale per le normative sulla privacy dei dati.
- Il framework è efficiente e curvature-aware.
Entità
Istituzioni
- arXiv