申请/专利权人：杭州电子科技大学

申请日：2024-03-14

公开（公告）日：2024-06-04

公开（公告）号：CN118133897A

主分类号：G06N3/0464

分类号：G06N3/0464;G06N3/08;G06F18/214;G06F18/22;G06F18/24

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.21#实质审查的生效;2024.06.04#公开

摘要：本发明公开了一种基于特征约束和自适应损失平衡的机器遗忘方法，包括如下步骤：构建原始卷积网络模型，利用当前的全部数据D进行训练，得到原始模型mo；步骤2，初始化遗忘模型mu，随机模型mr；将原始数据集划分为待遗忘数据Df和剩余数据Dr；计算mu对于Df的每个参数的重要性Ωi；将Df分别送入mu和mr中，得到mu和mr对于Df的特征输出，通过余弦相似度计算遗忘损失Lfgt；将Dr送入mu中，通过交叉熵计算恢复损失Lrec；计算自适应平衡损失权重，即当前时刻t的遗忘损失权重wfgtt和恢复损失权重wrect；利用步骤4中得到的参数重要性矩阵计算参数重要性正则化项；计算得到的损失结果计算得到的损失权重加权相加，得到总体损失，再进行正则化项，进行模型训练。

主权项：1.一种基于特征约束和自适应损失平衡的机器遗忘方法，其特征在于，该方法包括如下步骤：步骤1、构建原始卷积网络模型，获取原始数据集D并对原始卷积网络模型进行训练，得到原始模型mo，将原始卷积网络模型作为随机模型mr，将原始模型mo作为遗忘模型mu；步骤2、将原始数据集D划分为待遗忘数据Df和剩余数据Dr；步骤4、采用利用Fisher信息矩阵的方法计算遗忘模型mu对于待遗忘数据Df的每个参数的重要性Ωi；步骤5、将待遗忘数据Df分别送入遗忘模型mu和随机模型mr中，得到遗忘模型mu和随机模型mr对于待遗忘数据Df的特征输出，并通过余弦相似度计算遗忘损失Lfgt；步骤6、将剩余数据Dr送入遗忘模型mu中，通过交叉熵计算恢复损失Lrec；步骤7、根据遗忘损失Lfgt和恢复损失Lrec计算自适应平衡损失权重，即当前时刻t的遗忘损失权重wfgtt和恢复损失权重wrect；步骤8、利用步骤4中得到的参数重要性矩阵计算参数重要性正则化项；步骤9、将步骤5和6计算得到的损失结果按照步骤7计算得到的损失权重加权相加，得到总体损失，再加入步骤8中的正则化项，进行模型训练；步骤10、以步骤5至步骤9为一个周期，周期性循环步骤5到步骤9至初始化设定的迭代周期数，最终输出得到的遗忘模型mu。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于特征约束和自适应损失平衡的机器遗忘方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD