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
- OpenAI 向国会询问：全行业联合放缓 AI 研发是否合法 — The Decoder · 2026-09-11
- a16z 合伙人呼吁国有化前沿 AI？作者道歉：可能被钓鱼了 — S_OhEigeartaigh · 2026-09-11
- 胡塞组织试图用 Claude 设计弹道导弹软件遭 Anthropic 拦截 — Affectionate_Bee6434 · 2026-09-11
- 安全从业者被讽「只会发帖不设防」,AI Safety 圈爆发职责之争 — Dan_Jeffries1 · 2026-09-11
- Wired 深度解析:为何众多 AI 研究者担心机器威胁人类生存 — wiredmagazine · 2026-09-11
- 加州为独立 AI 审计师设立标准：危险能力须由第三方验证 — VraserX · 2026-09-11