推荐算法遗忘
该研究综述了现有的机器去学习方法，系统地分类并讨论了其差异、联系和开放问题，包括集中式去学习、分布式和不规则数据去学习、去学习验证以及隐私和安全问题，并提出了潜在的研究方向。
May, 2024
本文旨在对机器学习模型中 “遗忘特定数据” 的概念、场景、方法和应用进行综合性探讨，并为研究人员和从业人员提供包括设计标准和算法在内的全面资源，以帮助创新隐私技术和提醒相关研究领域存在的问题。
Sep, 2022
在本研究中，我们提出了第一个可以证明并高效地消除数据实例并保持公平性的机器遗忘方法。通过理论结果和对真实世界数据集的广泛实验，我们展示了我们的方法在消除数据实例的同时保持公平性的功效。
Jul, 2023
该调查提供了机器遗忘技术的简明评估，概述了准确和近似方法、可疑攻击和验证方法，并比较了每种方法的优点和局限性，评估了它们的性能，突出了挑战性的需求。提供强大的非 IID 删除模型以缓解公平性问题，并指出该领域未来的研究方向，旨在为寻求在 ML 系统中提供隐私和平等的研究人员和从业者提供有价值的资源。
May, 2023
我们提出了 SRU，这是一个基于会话的推荐系统的遗忘框架，它能够实现高效的遗忘、准确的推荐性能和改善基于会话的推荐中的遗忘效果。我们通过将训练会话分成不同的子模型，并利用基于注意力的聚合层来融合隐藏状态，提出了三种额外数据删除策略，并提出了一个评估指标来验证删除数据后是否可以推断出遗忘样本。我们在三个基准数据集上实现了 SRU，并进行了实验，实验结果证明了我们方法的有效性。
Dec, 2023
提出了一种机器去学习的方案，针对个人隐私数据撤销和相关数据管理条例提出了高效机制，随机重标记的未学习方案适用于通用的监督学习算法，并且进一步开发了一种基于概率分布相似性、较少限制的删除认证方法，这种方法基于逻辑回归分类器。
May, 2023
本文提出了一种专门针对图数据的新型机器取消学习框架 GraphEraser，包括两种新颖的图分区算法和一种基于学习的聚合方法。研究表明，与 SISA 相比，GraphEraser 在取消学习效率和模型效用方面都具有较大优势。
Mar, 2021
提出了 ERASER 框架，通过一个推理服务意识的方法来实现 MLaaS 中的机器解学习。ERASER 提供了一种新颖的认证推理一致性机制，通过有选择性地延迟来自数据所有者的解学习请求，从而降低推理延迟，并严格遵守 RTBF 原则。在各种设置下进行了大量实证评估，确认了 ERASER 的效果，例如，它可以有效节省高达 99% 的推理延迟和 31% 的计算开销。
Nov, 2023
该论文介绍了一种专门设计用于在已经训练好的预测器上移除原始数据集中影响的机器遗忘算法，提出了一个性能感知算法来权衡遗忘完整性和性能衰减，并且还提出了一个任务感知的机器遗忘算法来考虑调度和再调度问题，通过模拟验证了遗忘算法在负载预测器上的性能。
Aug, 2023