概念Machine Unlearning / 模型遗忘
机器遗忘
机器学习领域的技术方向，旨在不重新训练模型的前提下消除特定训练样本对模型参数的影响，分为精确遗忘和近似遗忘两类，最初源于数据隐私与被遗忘权合规需求
时间轴 (近 90 天)
10月30日
梯度-based 机器遗忘方法通常通过优化遗忘损失和保留损失来实现遗忘，但相似的损失值并不必然意味着相似的输出空间行为。
待验证50%
10月30日
该研究揭示了梯度-based 机器遗忘中损失与行为之间的根本性脱节，并提供了一个统一的输出空间分析框架。
待验证50%
10月9日
机器遗忘衡量质量的两个核心指标是遗忘率（Forget Rate）与留存率（Retain Rate），两者存在天然张力，过度遗忘会导致概念坍塌
待验证50%
10月5日
机器遗忘最初源于数据隐私领域，目标是在不重训模型的前提下消除特定训练样本的影响以满足被遗忘权等法规要求
待验证50%
8月22日
机器遗忘（machine unlearning）在技术上仍是未解决难题——从已训练好的模型中精确删除特定数据的影响目前尚无可靠方法
待验证50%
全部知识事实 (5)
待验证
梯度-based 机器遗忘方法通常通过优化遗忘损失和保留损失来实现遗忘，但相似的损失值并不必然意味着相似的输出空间行为。
50%待验证该研究揭示了梯度-based 机器遗忘中损失与行为之间的根本性脱节，并提供了一个统一的输出空间分析框架。
50%待验证机器遗忘衡量质量的两个核心指标是遗忘率（Forget Rate）与留存率（Retain Rate），两者存在天然张力，过度遗忘会导致概念坍塌
50%待验证机器遗忘最初源于数据隐私领域，目标是在不重训模型的前提下消除特定训练样本的影响以满足被遗忘权等法规要求
50%待验证机器遗忘（machine unlearning）在技术上仍是未解决难题——从已训练好的模型中精确删除特定数据的影响目前尚无可靠方法
50%