跳到正文
热点事件持续更新

研究：输出层遗忘高估机器遗忘效果

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

一项 arXiv 研究提出用“重训练一致的表示遗忘”检验机器遗忘，发现标准输出层评估会系统性高估遗忘效果。Teresa Pui Yee Yong、Win Kent Ong 和 Chee Seng Chan 称，在多种方法、数据集和模型上，模型虽在输出层看似已遗忘，但表示空间仍存在结构化残差。 这些残差包括遗忘/保留不对称、方向性错配，以及沿重训练相关方向的集中残差，部分差异甚至超过独立重训练的波动。研究称，这类残差在再学习攻击下会带来信息恢复风险。

AI 根据报道生成 · 4 小时前更新

最新进展10月12日 12:00
研究揭示：机器遗忘的输出层遗忘不等于真正遗忘

报道时间线

沿着报道，了解事件的不同侧面。

10月12日
  1. arXiv cs.AI
    研究揭示：机器遗忘的输出层遗忘不等于真正遗忘

    一项 arXiv 研究提出用重训练一致的表示遗忘来检验机器遗忘（MU），发现标准输出层评估会系统性高估遗忘效果。在多种方法、数据集和模型上，模型虽在输出层看似已遗忘，但表示空间仍存在结构化残差，包括遗忘/保留不对称、方向性错配和沿重训练相关方向的集中残差，部分差异甚至超过独立重训练的波动，并在再学习攻击下带来信息恢复风险。

本事件热度走势

可比范围当前
9
可比范围峰值
1010月12日 13:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。