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
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27
- CMU 提出 LLM2Cert：LLM 生成证书，SMT/Lean 自动验证 — CarnegieMellonU · 2026-10-27