Machine unlearning through model forgetting techniques: application area and emerging methods

Büşra Büyüktanır

doi:10.1007/s10586-026-06300-9

2026-07-24

PRE

Gozde Karatas Baydoğmus

Kazım Yıldız

DOI：10.1007/s10586-026-06300-9

原文链接

原文求助

摘要

En 中文

本研究对机器遗忘（MU）进行了全面的文献综述，旨在消除在欧盟GDPR及类似法规框架下“被遗忘权”要求中，特定数据样本对训练机器学习模型的影响。本研究系统性地回顾了2020年至2025年间发表的MU研究文献，共审查了170多篇出版物。提出了集中式和联邦遗忘（FU）方法的分类体系，以及四种主要类别（精确遗忘、近似遗忘、认证遗忘和可验证遗忘）。研究总结了包括MNIST、CIFAR-10、CIFAR-100、ImageNet、IMDB、AG News、MovieLens以及医疗保健和金融相关表格数据集在内的基准数据集上的发现。在这些基准测试中，先前研究一致表明，近似遗忘方法在保持竞争性模型效用同时，比完全重新训练提供显著的计算优势，而认证方法则在增加计算开销的代价下提供更强的形式化保证。然而，这些部署带来了重要的安全风险，如成员推断、数据投毒、恶意遗忘请求、数据重构和模型反演攻击，以及与能源效率、通信开销和物联网系统可扩展性约束相关的重大工程挑战。研究还回顾了将差分隐私、同态加密、安全计算、可信计算环境和访问控制机制整合到遗忘过程中的隐私增强方法。从伦理、公正和问责制的行业视角分析了合规性的可行性，特别是在医疗保健和金融等高安全行业。这些因素强调了为隐私保护AI提供可扩展、可验证、抗攻击和资源高效的MU技术的必要性。提出了一种统一的分类体系，区分集中式和联邦遗忘，并对验证和评估指标进行明确的分离，以提高分析精度。通过涵盖近似遗忘的争论、可认证性、模型行为分歧、攻击向量和隐私保护机制等被忽视的方面，扩展了以往的调查。提供了迄今为止最全面的跨领域和物联网（IoT）聚焦分析，包括智能城市、医疗保健物联网、工业物联网和边缘计算，并提供了关于适应资源受限设备的遗忘、分布式物联网系统中的实施以及计算开销和可扩展性评估的实践见解。

Keyword:

Machine Unlearning

Data Privacy

Federated Unlearning

Privacy-Preserving AI

GDPR

Security Attacks