UnGAN: machine unlearning strategies through membership inference

В условиях растущих требований к конфиденциальности данных и праву на забвение, способность эффективно исключать определенные данные из моделей машинного обучения без повторного обучения с нуля становится решающей. Машинное разучивание направлено на эффективное устранение влияния некоторых данных на модель. Мы предлагаем UnGAN, новый подход к машинному разучиванию, использующий генеративно-состязательные сети (GAN) для удовлетворения растущей потребности в эффективном и надежном удалении данных из обученных моделей. UnGAN предлагает уникальную стратегию разучивания через атаку на наличие в обучающей выборке, где дискриминаторная сеть обучается определять, был ли данный ввод частью набора данных для обучения модели. Дискриминатор представляет собой трехслойную полностью соединённую сеть с функциями активации ReLU, принимающую входы от вывода модели, подвергающейся разучиванию, и метку класса. Эта архитектура позволяет дискриминатору с высокой точностью определять статус членства данных, что позволяет управлять процессом разучивания. Библ. – 35 назв.