Recommendation Unlearning via Influence Function

doi:10.1145/3701763

Recommendation Unlearning via Influence Function

2024-12-23

0

OA

AI

DOI：10.1145/3701763

原文链接

原文求助

摘要

En 中文

推荐遗忘是一种新兴任务，旨在为用户提供从训练良好的推荐模型中删除不可用数据（例如某些历史行为）的服务。现有方法通过移除不可用数据后对模型进行完全或部分重新训练来处理遗忘请求。然而，这些方法因完全重新训练的高计算成本以及部分训练可能导致的性能严重下降而不切实际。鉴于此，理想的推荐遗忘方法应能以更高效的方式获得与完全重新训练相似的模型，即实现完整、高效且无害的遗忘。在本研究中，我们提出了一种新的基于影响函数的推荐遗忘（IFRU）框架，该框架通过影响函数估算不可用数据对模型的影响，从而在不重新训练的情况下高效更新模型。考虑到近期推荐模型同时使用历史数据构建优化损失函数和计算图（例如邻域聚合），IFRU联合估算不可用数据对优化损失函数的直接影响以及对计算图的溢出影响，以追求完全遗忘。此外，我们提出了一种基于重要性的剪枝算法以降低影响函数的计算成本。IFRU是无害的，并且适用于主流的可微分模型。广泛的实验表明，与基于重新训练的方法相比，IFRU实现了超过250倍的加速，同时推荐性能与完全重新训练相当。代码可在https://github.com/baiyimeng/IFRU获取。

Recommendation Unlearning via Influence Function

摘要

期刊

机构

引用论文