.png){kind=icon}
返回
Unlearning in distributed budget support vector machine
.png){kind=icon}
OA
AI
DOI：10.1007/s00500-025-10929-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从训练好的模型中移除部分训练数据的贡献是一个近期备受关注的研究任务。一种简单的方法是在排除不需要的训练数据后重新训练模型，但主要的研究兴趣在于比完全重新训练计算成本更低的“遗忘”技术。此外，数据贡献者可能无法参与重新训练过程，例如在分布式联邦学习环境中。支持向量机（SVM）中现有的遗忘方法基于使用递减方法“遗忘”样本，需要所有参与者的主动协作，而基于梯度下降的一般遗忘方法不适用于SVM情况，因为其成本函数不可微分。本文提出了一种针对预算支持向量机（Budget SVM）的训练方案，该方案在模型训练完成后具备遗忘能力。我们在联邦分布式训练设置中使用多种数据集和遗忘场景对所提出的遗忘方法进行了基准测试，并证明其在准确率、效率和有效性方面优于Sharded、Isolated、Sliced和Aggregated方法，后者通过在每个参与者处训练弱本地学习器并通过投票机制获得最终决策。
Keyword:
Unlearning
Distributed
Budget
Support Vector Machine
SISA
Non i.d
期刊
IF:
2.5
论文数:
1.0W
被引数:
2.1W
机构
引用论文
Searching for exotic particles in high-energy physics with deep learning用深度学习寻找高能物理中的奇异粒子.png)
NATURE COMMUNICATIONS
NATURE COMMUNICATIONSIF15.7
PREAI
分享收藏
分享收藏Distributed Nonlinear Semiparametric Support Vector Machine for Big Data Applications on Spark Frameworks分布式非线性半参数支持向量机在Spark框架下的大数据应用
PREAI
分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏分享收藏
查看更多内容