Buchumschlag

Efficient Machine Unlearning by Model Splitting and Core Sample Selection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Egger, Maximilian, Bitar, Rawad, Urbanke, Rüdiger
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Federated One-Shot Learning with Data Privacy and Objective-Hiding
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Private Aggregation for Byzantine-Resilient Heterogeneous Federated Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Byzantine-Resilient Zero-Order Optimization for Communication-Efficient Heterogeneous Federated Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Communication-Efficient Byzantine-Resilient Federated Zero-Order Optimization
von: Neto, Afonso de Sá Delgado, et al.
Veröffentlicht: (2024)

Perfect Privacy for Discriminator-Based Byzantine-Resilient Federated Learning
von: Xia, Yue, et al.
Veröffentlicht: (2025)

Byzantine-Resilient Secure Aggregation for Federated Learning Without Privacy Compromises
von: Xia, Yue, et al.
Veröffentlicht: (2024)

LoByITFL: Low Communication Secure and Private Federated Learning
von: Xia, Yue, et al.
Veröffentlicht: (2024)

Private Aggregation in Hierarchical Wireless Federated Learning with Partial and Full Collusion
von: Egger, Maximilian, et al.
Veröffentlicht: (2023)

Source Anonymity for Private Random Walk Decentralized Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Maximal-Capacity Discrete Memoryless Channel Identification
von: Egger, Maximilian, et al.
Veröffentlicht: (2024)

BICompFL: Stochastic Federated Learning with Bi-Directional Compression
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Scalable and Reliable Over-the-Air Federated Edge Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2024)

Self-Regulating Random Walks for Resilient Decentralized Learning on Graphs
von: Egger, Maximilian, et al.
Veröffentlicht: (2024)

The Structure of Cross-Validation Error: Stability, Covariance, and Minimax Limits
von: Nachum, Ido, et al.
Veröffentlicht: (2025)

Minimax Limits of k-Fold Cross-Validation via Majority
von: Nachum, Ido, et al.
Veröffentlicht: (2026)

ProDiGy: Proximity- and Dissimilarity-Based Byzantine-Robust Federated Learning
von: Ergisi, Sena, et al.
Veröffentlicht: (2025)

Beyond Trade-offs: A Unified Framework for Privacy, Robustness, and Communication Efficiency in Federated Learning
von: Xia, Yue, et al.
Veröffentlicht: (2025)

Information-Theoretic Framework for Understanding Modern Machine-Learning
von: Feder, Meir, et al.
Veröffentlicht: (2025)

Erase at the Core: Representation Unlearning for Machine Unlearning
von: Lee, Jaewon, et al.
Veröffentlicht: (2026)

Capacity-Maximizing Input Symbol Selection for Discrete Memoryless Channels
von: Egger, Maximilian, et al.
Veröffentlicht: (2024)

Sharpness-Aware Parameter Selection for Machine Unlearning
von: Malekmohammadi, Saber, et al.
Veröffentlicht: (2025)

Efficient Verified Machine Unlearning For Distillation
von: Quan, Yijun, et al.
Veröffentlicht: (2025)

SIMU: Selective Influence Machine Unlearning
von: Agarwal, Anu, et al.
Veröffentlicht: (2025)

Dissecting Language Models: Machine Unlearning via Selective Pruning
von: Pochinkov, Nicholas, et al.
Veröffentlicht: (2024)

Remaining-data-free Machine Unlearning by Suppressing Sample Contribution
von: Cheng, Xinwen, et al.
Veröffentlicht: (2024)

Feature-Selective Representation Misdirection for Machine Unlearning
von: Chen, Taozhao, et al.
Veröffentlicht: (2025)

SEMU: Singular Value Decomposition for Efficient Machine Unlearning
von: Sendera, Marcin, et al.
Veröffentlicht: (2025)

Unlearning during Learning: An Efficient Federated Machine Unlearning Method
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

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

Efficient Machine Unlearning via Influence Approximation
von: Liu, Jiawei, et al.
Veröffentlicht: (2025)

DynFrs: An Efficient Framework for Machine Unlearning in Random Forest
von: Wang, Shurong, et al.
Veröffentlicht: (2024)

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

Model Sparsity Can Simplify Machine Unlearning
von: Jia, Jinghan, et al.
Veröffentlicht: (2023)

Module-Aware Parameter-Efficient Machine Unlearning on Transformers
von: Bao, Wenjie, et al.
Veröffentlicht: (2025)

Sky of Unlearning (SoUL): Rewiring Federated Machine Unlearning via Selective Pruning
von: Zaman, Md Mahabub Uz, et al.
Veröffentlicht: (2025)

The Unseen Threat: Residual Knowledge in Machine Unlearning under Perturbed Samples
von: Hsu, Hsiang, et al.
Veröffentlicht: (2026)

FUNU: Boosting Machine Unlearning Efficiency by Filtering Unnecessary Unlearning
von: Li, Zitong, et al.
Veröffentlicht: (2025)

An Illusion of Unlearning? Assessing Machine Unlearning Through Internal Representations
von: Gao, Yichen, et al.
Veröffentlicht: (2026)

Data Selection for Transfer Unlearning
von: Sepahvand, Nazanin Mohammadi, et al.
Veröffentlicht: (2024)

Machine Unlearning for Streaming Forgetting
von: Shen, Shaofei, et al.
Veröffentlicht: (2025)