Zero-shot Machine Unlearning using GANs

Abstract

See lõputöö käsitleb masinõppe üliolulist ülesannet, mis hõlmab spetsiifiliste andmete eemaldamist koolitatud masinõppemudelitest, et järgida privaatsusnorme ja parandada andmete kvaliteeti. Tänu tehisintellekti kiirele arengule ja masinõppemudelite laialdasele kasutamisele erinevates rakendustes on tõhusad õppimise eemaldamise meetodid üha pakilisemad. Traditsioonilised lähenemisviisid, nagu mudelite nullist ümberõpe, on suure ressursikulu ja ajapiirangute tõttu ebapraktilised. Lõputöö pakub välja kaks uuenduslikku tehnikat: MuGAN ja zMuGAN. MuGAN on mõeldud stsenaariumide jaoks, millel on piiratud juurdepääs algsele treeningandmete kogumile. See kasutab generatiivseid võistlevaid võrke (GAN), et püüda andmete jaotust mudeli esmase koolituse ajal ja genereerida sünteetilisi andmeid, et sellise päringu saamisel välja õppida. Samamoodi käsitleb zMuGAN olukordi, kus koolitusandmetele pole üldse juurdepääsu. See kasutab GAN-põhist mudeli inversioonitehnikat, et lähendada algset andmekogumit ja hõlbustada õppimist kahjustuste parandamise protsessi kaudu. Mõlemat tehnikat hinnatakse piltide klassifitseerimise ülesannete puhul, eriti klassi unustamisel, rõhutades pildiandmete tundlikku olemust. Pakutud meetodid säilitavad tõhusalt mudeli kasulikkust, tagades samal ajal tõhusa õppimise. Selle lõputöö peamine panus on tugevate ja tõhusate lahenduste pakkumine masinõppeks, mida saab kasutada mudeli arendamise ja juurutamise erinevates etappides. Kasutades GAN-e ja uuenduslikke õppest vabastamise protsesse, pakuvad MuGAN ja zMuGAN selles valdkonnas olulisi edusamme, lahendades pakilise vajaduse praktiliste ja skaleeritavate õppimise eemaldamise tehnikate järele.