ترجمه فارسی مقاله TRUVRF: به سمت تأیید رسوب سه گانه در مورد عدم وجود دستگاه

چکیده

The concept of the right to be forgotten has led to growing interest in machine unlearning, but reliable validation methods are lacking, creating opportunities for dishonest model providers to mislead data contributors. Traditional invasive methods like backdoor injection are not feasible for legacy data. To address this, we introduce TruVRF, a non-invasive unlearning verification framework operating at class-, volume-, and sample-level granularities. TruVRF includes three Unlearning-Metrics designed to detect different types of dishonest servers: Neglecting, Lazy, and Deceiving. Unlearning-Metric-I checks class alignment, Unlearning-Metric-II verifies sample count, and Unlearning-Metric-III confirms specific sample deletion. Evaluations on three datasets show TruVRF’s robust performance, with over 90% accuracy for Metrics I and III, and a 4.8% to 8.2% inference deviation for Metric II. TruVRF also demonstrates generalizability and practicality across various conditions and with state-of-the-art unlearning frameworks like SISA and Amnesiac Unlearning.

چکیده به فارسی (ترجمه ماشینی)

مفهوم حق فراموش شدن باعث شده است تا علاقه زیادی به ناآگاه بودن دستگاه داشته باشد ، اما روشهای معتبر اعتبار سنجی فاقد آن هستند و فرصت هایی را برای ارائه دهندگان مدل نامشخص ایجاد می کنند تا مشارکت کنندگان داده را گمراه کنند.روشهای تهاجمی سنتی مانند تزریق پشتی برای داده های میراث امکان پذیر نیست.برای پرداختن به این موضوع ، ما TRUVRF را معرفی می کنیم ، یک چارچوب تأیید غیر تهاجمی غیر تهاجمی که در گرانول های کلاس ، حجم و نمونه کار می کند.TRUVRF شامل سه متری درآمدی است که برای تشخیص انواع مختلف سرورهای ناهنجار طراحی شده است: غفلت ، تنبل و فریب.Unlearning-Metric-I تراز کلاس را بررسی می کند ، Unlearning-Metric-II تعداد نمونه ها را تأیید می کند ، و عدم استفاده از-metric-III حذف نمونه خاص را تأیید می کند.ارزیابی در سه مجموعه داده ، عملکرد قوی TRUVRF را نشان می دهد ، با بیش از 90 ٪ دقت برای معیارهای I و III و انحراف استنتاج 4.8 ٪ تا 8.2 ٪ برای متریک II.TRUVRF همچنین تعمیم پذیری و عملی را در شرایط مختلف و با چارچوب های مدرن و جذاب مانند SISA و Amnes Unlearning نشان می دهد.