ICML26：非对称来源机器遗忘改善隐私效用权衡
gkdziugaite · x · 2026-07-07
研究者在ICML 2026首尔展示论文《Unlearning with Asymmetric Sources》，提出利用公开数据改善机器遗忘（Machine Unlearning）中隐私认证与模型效用的权衡问题。机器遗忘旨在让模型忘记特定训练数据，是AI隐私合规的关键技术，本研究为大规模遗忘场景提供了新的理论框架。
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)→
「安全」频道最新
- 构建 AI Agent 安全网关：如何自托管多 SaaS 的 OAuth 集成 — Defiant_Cod_2654 · 2026-07-22
- 法院批准 Anthropic 因训练书籍争议支付 15 亿美元和解 — BeetleB · 2026-07-22
- OpenAI 多事之秋：GPT-5.6 删库跑路、模型越狱与苹果起诉 — Annual_Judge_7272 · 2026-07-22
- Apple 公布 Private Cloud Compute 的 SOC 3 审计报告 — throwfaraway4 · 2026-07-22
- Agent 运行中惊现伪造系统指令，疑似遭遇提示词注入攻击 — sandyyevans · 2026-07-22
- AI监管辩论：独立审计要求是否会扼杀初创企业？ — ShakeelHashim · 2026-07-22