ترجمه فارسی مقاله به سوی یادگیری‌زداییِ گواهی‌شده برای شبکه‌های عصبی عمیق

چکیده

In the field of machine unlearning, certified unlearning has been extensively studied in convex machine learning models due to its high efficiency and strong theoretical guarantees. However, its application to deep neural networks (DNNs), known for their highly nonconvex nature, still poses challenges. To bridge the gap between certified unlearning and DNNs, we propose several simple techniques to extend certified unlearning methods to nonconvex objectives. To reduce the time complexity, we develop an efficient computation method by inverse Hessian approximation without compromising certification guarantees. In addition, we extend our discussion of certification to nonconvergence training and sequential unlearning, considering that real-world users can send unlearning requests at different time points. Extensive experiments on three real-world datasets demonstrate the efficacy of our method and the advantages of certified unlearning in DNNs.

چکیده به فارسی (ترجمه ماشینی)

در زمینه آراء دستگاه ، به دلیل راندمان بالا و ضمانت های نظری قوی ، در مدل های یادگیری ماشین محدب به طور گسترده در مدل های یادگیری ماشین محدب مورد مطالعه قرار گرفته است.با این حال ، کاربرد آن در شبکه های عصبی عمیق (DNNS) ، که به دلیل ماهیت بسیار غیر کنفکس شناخته شده است ، هنوز هم چالش هایی را ایجاد می کند.برای ایجاد شکاف بین Unlearning Certified و DNN ها ، ما چندین روش ساده را برای گسترش روش های غیرقابل توصیف برای اهداف غیر کنفکس پیشنهاد می کنیم.برای کاهش پیچیدگی زمان ، ما یک روش محاسبه کارآمد با تقریب معکوس هسیایی بدون به خطر انداختن ضمانت های صدور گواهینامه ایجاد می کنیم.علاوه بر این ، ما بحث خود را در مورد صدور گواهینامه به آموزش عدم هماهنگی و آراء پی در پی گسترش می دهیم ، با توجه به اینکه کاربران دنیای واقعی می توانند درخواست های آشکار را در نقاط زمانی مختلف ارسال کنند.آزمایش های گسترده در سه مجموعه داده در دنیای واقعی ، اثربخشی روش ما و مزایای استفاده از مجوزهای موجود در DNN ها را نشان می دهد.