基于自适应采样的机器遗忘方法.pdfVIP

专题论文2025年第4期

doi：10.3969/j.issn.1671-1122.2025.04.011

基于自适应采样的机器遗忘方法

何可，王建华，于丹，陈永乐

（太原理工大学计算机科学与技术学院，太原030024）

摘要：随着人工智能技术的快速发展，智能系统在医疗、工业等多个领域得到

广泛应用。然而，智能系统中存储的大量用户数据一旦遭受恶意攻击，将对用户隐私

构成严重威胁。为保护用户数据隐私，许多国家已出台相关法律法规，以确保用户享

有“被遗忘权”。机器遗忘技术通常分为精确遗忘和近似遗忘两类，旨在通过调整模型

参数，从已训练好的模型中消除特定数据的影响。精确遗忘方法利用剩余数据重新训

练模型实现遗忘，但其计算成本较高；近似遗忘方法则通过少量参数更新实现遗忘，

然而现有方法存在遗忘性能不足、遗忘时间过长等问题。文章提出一种基于自适应采

样的机器遗忘方法，该方法先对模型训练过程中的梯度进行采样，随后利用少量梯度

信息完成遗忘，具有广泛的适用性，可适配多种机器遗忘方法。实验结果表明，“先采

样后遗忘”策略显著提升了近似遗忘性能，同时将精确遗忘时间减少了约22.9%，近似

遗忘时间减少了约38.6%。

关键词：机器遗忘；隐私保护；自适应采样；被遗忘权

中图分类号：TP309文献标志码：A文章编号：1671-1122（2025）04-0630-10

中文引用格式：何可，王建华，于丹，等.基于自适应采样的机器遗忘方法[J].信息网络安全，2025，25（4）：

630-639.

英文引用格式：HEKe,WANGJianhua,YUDan,etal.AdaptiveSampling-BasedMachineUnlearningMethod[J].

NetinfoSecurity,2025,25(4):630-639.

AdaptiveSampling-BasedMachineUnlearningMethod

HEKe,WANGJianhua,YUDan,CHENYongle

(SchoolofComputerScienceandTechnology,TaiyuanUniversityofTechnology,Taiyuan030024,China)

Abstract:Withtherapiddevelopmentofartificialintelligencetechnologies,intelligent

systemshavebeenwidelyappliedinvariousfieldssuchashealthcareandindustry.However,

oncealargeamountofuserdatastoredinintelligentsystemsismaliciouslyattacked,it

willposeaseriousthreattouserprivacy.Toprotectuserdataprivacy,manycountrieshave

introducedrelevantlawsandregulationstoensure“therighttobeforgotten”.Machine

unlearningmethodsaretypicallydividedintoexactunlearningandapproximateunlearning,

ai