Краткое содержание

arXiv:2511.13116v1 Тип: новая работа Аннотация: Машинное заучивание направлено на устранение влияния определенных данных из обученных моделей для обеспечения соответствия требованиям конфиденциальности. Однако большинство существующих методов предполагают полный доступ к исходному набору данных для обучения, что зачастую непрактично. Мы рассматриваем более реалистичную, но сложную задачу: few-shot zero-glance, при которой доступно лишь небольшое подмножество сохраняемых данных, а набор данных для удаления полностью недоступен. Мы представляем GFOES, новую структуру, состоящую из Генеративной сети с обратной связью (GFN) и процедуры тонкой настройки в две фазы. GFN синтезирует Оптимальные образцы для стирания (OES), которые вызывают высокие потери для целевых классов, позволяя модели забывать класс-специфичные знания без доступа к исходным данным для удаления, сохраняя при этом производительность на сохраняемых классах. Процедура тонкой настройки в две фазы позволяет обеспечить агрессивное забывание на первой фазе с последующим восстановлением полезности на второй. Эксперименты проводились на трех наборах данных для классификации изображений.