arXiv论文：用于持续机器遗忘的极小极大高斯机制

发生了什么

据arXiv cs.LG论文《Minimax Gaussian Mechanisms for Continual Machine Unlearning》摘要，研究开发了用于顺序删除请求下牛顿更新的伽马机制。利用伽马差分隐私（GDP）及其自适应组合规则，证明发布模型的整个序列在统计上难以与精确重训练匹配区分。为校准这些机制以进行经验风险最小化，推导了牛顿近似相对于精确重训练的误差上界，以及每次删除批次后误差的变化。独立伽马噪声根据每次发布的完整残差界限进行校准，而伽马随机游走噪声使用较小的残差增量界限。这些界限产生了在 resulting GDP 认证约束下最小化最坏情况最大噪声方差的分配。基于计数的界限使随机游走渐近匹配删除上限 M 处单次发布的最坏情况方差，而独立噪声产生额外的 M 阶因子。基于集合的界限可以通过使用删除记录的梯度和海森矩阵来降低噪声方差。