Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
arxiv.orgohne Datum · Q000419

Sample-Grained Approximate Unlearning with Provable Per-Sample Bounds

arxiv.org · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Die bereitgestellte Quelle ist nur die arXiv-Abstractseite, nicht der vollständige Artikel. Die Autorinnen und Autoren stellen SALA und eine Kennzahl für Abweichungen beim Unlearning einzelner Beispiele vor; laut Abstract verringert SALA diese Abweichung in Experimenten um bis zu 86,67 Prozent und verbessert die Robustheit gegenüber Hyperparametern.

Mittel

Der bereitgestellte Bericht ist eine arXiv-Abstractseite, kein vollständiger Artikel; die Zusammenfassung kann daher nur die dort genannten Aussagen wiedergeben. Thema ist maschinelles Unlearning: Der Einfluss ausgewählter Trainingsbeispiele soll ohne vollständiges erneutes Training entfernt werden, während die Leistung auf den übrigen Beispielen erhalten bleibt. Die Autorinnen und Autoren weisen darauf hin, dass Datensatz-Kennzahlen Abweichungen bei einzelnen Beispielen verbergen können.

Sie schlagen SALA vor, ein ergänzendes Optimierungsverfahren, das einzelne Beispiele auf ihre Zielverteilung ausrichten soll. Dazu definieren sie den „sample-grained distribution gap“, der die Ausgaben des näherungsweisen Verfahrens mit denen eines exakten erneuten Trainings pro Beispiel vergleicht. Der Abstract behauptet theoretische Schranken und eine Verringerung dieser Abweichung; außerdem beschreiben die Autorinnen und Autoren eine kostengünstige Schätzung der benötigten Zielverteilungen. Experimente zu Klassifikation und Generierung sollen den Abstand mit bestehenden Verfahren um bis zu 86,67 Prozent senken und die Robustheit gegenüber Unlearning-Hyperparametern verbessern. Datensätze und Einzelheiten zu den Experimenten sind auf der vorliegenden Seite nicht ausgeführt.

Ausführlich lesen

Der bereitgestellte Bericht ist eine arXiv-Abstractseite mit bibliografischen Angaben und Einreichungshistorie, kein vollständiger Artikel. Die Zusammenfassung beruht daher ausschließlich auf dem Abstract; ausführliche Angaben zu Versuchsaufbau und Belegen liegen hier nicht vor.

Die Autorinnen und Autoren behandeln maschinelles Unlearning: Dabei soll der Einfluss ausgewählter Trainingsbeispiele aus einem trainierten Modell entfernt werden, während dessen Leistung auf den übrigen Beispielen erhalten bleibt. Näherungsweise Verfahren sollen dies ohne vollständiges erneutes Training ermöglichen. Laut Abstract werden ihre Ergebnisse meist mit Kennzahlen über ganze Datensätze bewertet. Solche zusammengefassten Werte könnten jedoch Unterschiede bei einzelnen Beispielen verdecken.

Als Lösung schlagen die Autorinnen und Autoren SALA vor, ein ergänzendes Optimierungsverfahren, das einzelne Beispiele auf ihre jeweils angestrebte Zielverteilung ausrichten soll. Außerdem führen sie den „sample-grained distribution gap“ ein. Diese Kennzahl soll für jedes Beispiel die Abweichung zwischen der Ausgabe des näherungsweisen Unlearning-Verfahrens und der Ausgabe eines exakten erneuten Trainings erfassen. Der Abstract behauptet, dass SALA diese Abweichung theoretisch verringert und eine Schranke für die Abweichung pro Beispiel garantiert. Für die praktische Anwendung entwickelten die Autorinnen und Autoren demnach ein kostengünstiges Verfahren, um Zielverteilungen für Mitglieder und Nichtmitglieder der Trainingsdaten abzuschätzen.

Laut Abstract zeigen umfangreiche Experimente zu Klassifikations- und Generierungsaufgaben, dass SALA in Verbindung mit bestehenden näherungsweisen Unlearning-Verfahren den genannten Abstand um bis zu 86,67 Prozent reduziert. Zudem soll SALA die Robustheit gegenüber der Wahl von Unlearning-Hyperparametern verbessern. Die Seite enthält jedoch keine konkreten Datensätze, Versuchsdetails oder Einzelergebnisse, anhand derer sich diese Angaben hier weiter prüfen ließen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
Modelle teilen und schützen

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →