ALU框架：公开数据注入将机器遗忘代价降O(1/n^2)
gkdziugaite · x · 2026-07-07
研究团队提出非对称朗之万遗忘（ALU）框架，核心思路是利用公开数据降低机器遗忘的隐私代价。数学证明表明，公开数据注入可将遗忘代价的抑制因子提升至O(1/npub^2)，为解决大规模认证遗忘问题提供了理论保障。
所属事件:ICML 2026论文提出ALU框架，突破大规模机器遗忘瓶颈(5 条相关)→
「研究」频道最新
- 斯坦福团队推出全球最快分词器 Gigatoken — StanfordAILab · 2026-07-22
- Tabul AI 推出 Metal TreeSHAP，加速 Apple silicon 上的 Shapley 计算 — Scobleizer · 2026-07-22
- Reddit 转发 OpenAI 的 ChatGPT 广告页面 — EcstaticAsparagus509 · 2026-07-22
- 开源 runtime 让每个仓库自定义 AI 代码审查器 — ibabufrik · 2026-07-22
- DeepSWE：专攻真实 GitHub 场景的 AI 编码智能体评测基准 — pmz · 2026-07-22
- Claude 辅助写成的 Rust 太空经济模拟器，能跑数百艘自治船只 — kalcode · 2026-07-22