ترجمه فارسی مقاله فیشرها در شبکه های مدل ارثی، فیشر را برداشت می کنند

چکیده

Unlearning in various learning frameworks remains challenging, with the continuous growth and updates of models exhibiting complex inheritance relationships. This paper presents a novel unlearning framework, which enables fully parallel unlearning among models exhibiting inheritance. A key enabler is the new Unified Model Inheritance Graph (UMIG), which captures the inheritance using a Directed Acyclic Graph (DAG).Central to our framework is the new Fisher Inheritance Unlearning (FIUn) algorithm, which utilizes the Fisher Information Matrix (FIM) from initial unlearning models to pinpoint impacted parameters in inherited models. By employing FIM, the FIUn method breaks the sequential dependencies among the models, facilitating simultaneous unlearning and reducing computational overhead. We further design to merge disparate FIMs into a single matrix, synchronizing updates across inherited models. Experiments confirm the effectiveness of our unlearning framework. For single-class tasks, it achieves complete unlearning with 0\% accuracy for unlearned labels while maintaining 94.53\% accuracy for retained labels on average. For multi-class tasks, the accuracy is 1.07\% for unlearned labels and 84.77\% for retained labels on average. Our framework accelerates unlearning by 99\% compared to alternative methods.

چکیده به فارسی (ترجمه ماشینی)

با رشد مداوم و به روزرسانی مدلهایی که روابط میراث پیچیده ای را نشان می دهند ، ناآرام در چارچوب های مختلف یادگیری چالش برانگیز است.در این مقاله یک چارچوب رمان ناآرام رمان ارائه شده است ، که امکان یادگیری کاملاً موازی را در بین مدلهایی که میراث دارند امکان پذیر می کند.یک عامل مهم اصلی نمودار وراثت مدل جدید (UMIG) است که با استفاده از یک نمودار acyclic کارگردانی (DAG) وراثت را ضبط می کند. در چارچوب ما الگوریتم جدید وراثت فیشر (FIUN) است که از ماتریس اطلاعات فیشر استفاده می کند (FIMIX FIMER) از مدل های اولیه فرآورده تا مشخصات پارامترهای تأثیرگذار در مدل های ارثی.با استفاده از FIM ، روش FIUN وابستگی های متوالی را در بین مدل ها می شکند ، و آراء همزمان و کاهش سربار محاسباتی را تسهیل می کند.ما بیشتر برای ادغام FIM های مختلف در یک ماتریس واحد ، همگام سازی به روزرسانی ها در مدل های ارثی طراحی می کنیم.آزمایشات اثربخشی چارچوب فرآورده ما را تأیید می کند.برای کارهای تک کلاس ، با دقت 0 \ ٪ برای برچسب های موجود در حالی که به طور متوسط ​​94.53 \ ٪ دقت را برای برچسب های نگهدارنده حفظ می کند ، به آرامی کامل می رسد.برای کارهای چند کلاس ، دقت برای برچسب های موجود 1.07 \ ٪ و برای برچسب های نگهدارنده به طور متوسط ​​84.77 ٪ است.چارچوب ما در مقایسه با روشهای جایگزین ، 99 \ ٪ را شتاب می دهد.