Buchumschlag

Certified Unlearning for Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Koloskova, Anastasia, Allouah, Youssef, Jha, Animesh, Guerraoui, Rachid, Koyejo, Sanmi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

The Utility and Complexity of in- and out-of-Distribution Machine Unlearning
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

The Privacy Power of Correlated Noise in Decentralized Learning
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

Towards Trustworthy Federated Learning with Untrusted Participants
von: Allouah, Youssef, et al.
Veröffentlicht: (2025)

Balancing Privacy, Robustness, and Efficiency in Machine Learning
von: Allouah, Youssef, et al.
Veröffentlicht: (2023)

Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

Invariant Aggregator for Defending against Federated Backdoor Attacks
von: Wang, Xiaoyang, et al.
Veröffentlicht: (2022)

PRUNE: A Patching Based Repair Framework for Certifiable Unlearning of Neural Networks
von: Li, Xuran, et al.
Veröffentlicht: (2025)

A Certified Unlearning Approach without Access to Source Data
von: Basaran, Umit Yigit, et al.
Veröffentlicht: (2025)

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

Certified Defense on the Fairness of Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2023)

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)

Node-level Contrastive Unlearning on Graph Neural Networks
von: Lee, Hong kyu, et al.
Veröffentlicht: (2025)

Certified Robust Accuracy of Neural Networks Are Bounded due to Bayes Errors
von: Zhang, Ruihan, et al.
Veröffentlicht: (2024)

Certifying the Right to Be Forgotten: Primal-Dual Optimization for Sample and Label Unlearning in Vertical Federated Learning
von: Jiang, Yu, et al.
Veröffentlicht: (2025)

Adaptive Methods Are Preferable in High Privacy Settings: An SDE Perspective
von: Compagnoni, Enea Monzio, et al.
Veröffentlicht: (2026)

FairProof : Confidential and Certifiable Fairness for Neural Networks
von: Yadav, Chhavi, et al.
Veröffentlicht: (2024)

Unlearning Inversion Attacks for Graph Neural Networks
von: Zhang, Jiahao, et al.
Veröffentlicht: (2025)

No, of Course I Can! Deeper Fine-Tuning Attacks That Bypass Token-Level Safety Mechanisms
von: Kazdan, Joshua, et al.
Veröffentlicht: (2025)

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

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

Verifiable Unlearning on Edge
von: Maheri, Mohammad M, et al.
Veröffentlicht: (2025)

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

Unlearning with Asymmetric Sources: Improved Unlearning-Utility Trade-off with Public Data
von: Inane, Ahmed Mehdi, et al.
Veröffentlicht: (2026)

Edge Unlearning is Not "on Edge"! An Adaptive Exact Unlearning System on Resource-Constrained Devices
von: Xia, Xiaoyu, et al.
Veröffentlicht: (2024)

Towards Lifecycle Unlearning Commitment Management: Measuring Sample-level Approximate Unlearning Completeness
von: Wang, Cheng-Long, et al.
Veröffentlicht: (2024)

AuditVotes: A Framework Towards More Deployable Certified Robustness for Graph Neural Networks
von: Lai, Yuni, et al.
Veröffentlicht: (2025)

Efficient Unlearning with Privacy Guarantees
von: Domingo-Ferrer, Josep, et al.
Veröffentlicht: (2025)

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

On Using Certified Training towards Empirical Robustness
von: De Palma, Alessandro, et al.
Veröffentlicht: (2024)

Cross-Input Certified Training for Universal Perturbations
von: Xu, Changming, et al.
Veröffentlicht: (2024)

A Cognac Shot To Forget Bad Memories: Corrective Unlearning for Graph Neural Networks
von: Kolipaka, Varshita, et al.
Veröffentlicht: (2024)

CALIBURN: A Regime-Sensitivity Study of Operationally Calibrated Streaming Intrusion Detection
von: Youssef, Michel A.
Veröffentlicht: (2026)

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

Goldfish: An Efficient Federated Unlearning Framework
von: Wang, Houzhe, et al.
Veröffentlicht: (2024)

Graph Unlearning with Efficient Partial Retraining
von: Zhang, Jiahao, et al.
Veröffentlicht: (2024)

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

Blockchain-enabled Trustworthy Federated Unlearning
von: Lin, Yijing, et al.
Veröffentlicht: (2024)

Towards Strong Certified Defense with Universal Asymmetric Randomization
von: Hong, Hanbin, et al.
Veröffentlicht: (2025)