Buchumschlag

Machine Unlearning: Taxonomy, Metrics, Applications, Challenges, and Prospects

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Na, Zhou, Chunyi, Gao, Yansong, Chen, Hui, Fu, Anmin, Zhang, Zhi, Shui, Yu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TruVRF: Towards Triple-Granularity Verification on Machine Unlearning
von: Zhou, Chunyi, et al.
Veröffentlicht: (2024)

Decaf: Data Distribution Decompose Attack against Federated Learning
von: Dai, Zhiyang, et al.
Veröffentlicht: (2024)

Intellectual Property Protection for Deep Learning Model and Dataset Intelligence
von: Jiang, Yongqi, et al.
Veröffentlicht: (2024)

TAPE: Tailored Posterior Difference for Auditing of Machine Unlearning
von: Wang, Weiqi, et al.
Veröffentlicht: (2025)

SCU: An Efficient Machine Unlearning Scheme for Deep Learning Enabled Semantic Communications
von: Wang, Weiqi, et al.
Veröffentlicht: (2025)

Watch Out! Simple Horizontal Class Backdoor Can Trivially Evade Defense
von: Ma, Hua, et al.
Veröffentlicht: (2023)

Machine Unlearning Fails to Remove Data Poisoning Attacks
von: Pawelczyk, Martin, et al.
Veröffentlicht: (2024)

"No Matter What You Do": Purifying GNN Models via Backdoor Unlearning
von: Zhang, Jiale, et al.
Veröffentlicht: (2024)

Verification of Machine Unlearning is Fragile
von: Zhang, Binchi, et al.
Veröffentlicht: (2024)

Hidden Poison: Machine Unlearning Enables Camouflaged Poisoning Attacks
von: Di, Jimmy Z., et al.
Veröffentlicht: (2022)

Adversarial Machine Unlearning
von: Di, Zonglin, et al.
Veröffentlicht: (2024)

Contrastive Unlearning: A Contrastive Approach to Machine Unlearning
von: Lee, Hong kyu, et al.
Veröffentlicht: (2024)

ArmSSL: Adversarial Robust Black-Box Watermarking for Self-Supervised Learning Pre-trained Encoders
von: Jiang, Yongqi, et al.
Veröffentlicht: (2026)

Rectifying Privacy and Efficacy Measurements in Machine Unlearning: A New Inference Attack Perspective
von: Naderloui, Nima, et al.
Veröffentlicht: (2025)

SoK: Machine Unlearning for Large Language Models
von: Ren, Jie, et al.
Veröffentlicht: (2025)

Forgetting Similar Samples: Can Machine Unlearning Do it Better?
von: Xu, Heng, et al.
Veröffentlicht: (2026)

Towards Efficient Target-Level Machine Unlearning Based on Essential Graph
von: Xu, Heng, et al.
Veröffentlicht: (2024)

Gaming the Metric, Not the Harm: Certifying Safety Audits against Strategic Platform Manipulation
von: Burnat, Florian A. D., et al.
Veröffentlicht: (2026)

Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach
von: Zuo, Xuhan, et al.
Veröffentlicht: (2024)

Reinforcement Unlearning
von: Ye, Dayong, et al.
Veröffentlicht: (2023)

Federated Unlearning: A Survey on Methods, Design Guidelines, and Evaluation Metrics
von: Romandini, Nicolò, et al.
Veröffentlicht: (2024)

Towards Unveiling Vulnerabilities of Large Reasoning Models in Machine Unlearning
von: Chen, Aobo, et al.
Veröffentlicht: (2026)

Certified Machine Unlearning via Noisy Stochastic Gradient Descent
von: Chien, Eli, et al.
Veröffentlicht: (2024)

Machine Unlearning Meets Adversarial Robustness via Constrained Interventions on LLMs
von: Rezkellah, Fatmazohra, et al.
Veröffentlicht: (2025)

Towards Irreversible Machine Unlearning for Diffusion Models
von: Yuan, Xun, et al.
Veröffentlicht: (2025)

Privacy Preservation through Practical Machine Unlearning
von: Dilworth, Robert
Veröffentlicht: (2025)

Synthetic Artifact Auditing: Tracing LLM-Generated Synthetic Data Usage in Downstream Applications
von: Wu, Yixin, et al.
Veröffentlicht: (2025)

BadFU: Backdoor Federated Learning through Adversarial Machine Unlearning
von: Lu, Bingguang, et al.
Veröffentlicht: (2025)

Classification-Head Bias in Class-Level Machine Unlearning: Diagnosis, Mitigation, and Evaluation
von: Zheng, Weidong, et al.
Veröffentlicht: (2026)

Reconstruction Attacks on Machine Unlearning: Simple Models are Vulnerable
von: Bertran, Martin, et al.
Veröffentlicht: (2024)

Distributional Machine Unlearning via Selective Data Removal
von: Allouah, Youssef, et al.
Veröffentlicht: (2025)

Machine Unlearning with Minimal Gradient Dependence for High Unlearning Ratios
von: Huang, Tao, et al.
Veröffentlicht: (2024)

CompLeak: Deep Learning Model Compression Exacerbates Privacy Leakage
von: Li, Na, et al.
Veröffentlicht: (2025)

MUBox: A Critical Evaluation Framework of Deep Machine Unlearning
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Attack by Unlearning: Unlearning-Induced Adversarial Attacks on Graph Neural Networks
von: Zhang, Jiahao, et al.
Veröffentlicht: (2026)

A Robust Certified Machine Unlearning Method Under Distribution Shift
von: Guo, Jinduo, et al.
Veröffentlicht: (2026)

Survey of Security and Data Attacks on Machine Unlearning In Financial and E-Commerce
von: Brodzinski, Carl E. J.
Veröffentlicht: (2024)

Privacy Computing Meets Metaverse: Necessity, Taxonomy and Challenges
von: Chen, Chuan, et al.
Veröffentlicht: (2023)

Federated Unlearning for Human Activity Recognition
von: Chen, Kongyang, et al.
Veröffentlicht: (2024)

On Large Language Model Continual Unlearning
von: Gao, Chongyang, et al.
Veröffentlicht: (2024)