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
- 3D ResNet 论文八年突破 3000 引用，Kinetics 数据集成里程碑 — HirokatuKataoka · 2026-09-11
- 把数据调度变成优化的一部分：样本选择与排序影响 LLM 训练 — Puzzleheaded_Box2842 · 2026-09-11
- Jeff Heaton《神经网络数学导论》开放免费完整下载 — blaizedsouza · 2026-09-11
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11