LoTUS: Desaprendizaje automático a gran escala con incertidumbre
Aprende cómo LoTUS elimina la influencia de datos de entrenamiento en modelos pre-entrenados sin reentrenar. Mejora eficiencia y precisión a gran escala.
#desaprendizaje
Utilidad y complejidad del machine unlearning dentro y fuera de distribución
Descubre el machine unlearning: eliminación selectiva de datos en IA. Analizamos complejidad dentro y fuera de distribución y proponemos un nuevo método.
Olvido eficiente y exacto en aprendizaje continuo con modelos preentrenados
Descubre cómo el método ACU permite un olvido exacto y eficiente en aprendizaje continuo con modelos preentrenados, preservando la privacidad histórica.
Importancia de múltiples semillas de entrenamiento en desaprendizaje automático
Descubre por qué usar múltiples semillas de entrenamiento es crucial para evaluar correctamente el desaprendizaje automático. No te fíes de una sola semilla.
Aprendiendo qué olvidar: mejora del unlearning en LLMs
Descubre cómo ATWU mejora el desaprendizaje en LLMs aprendiendo importancia de tokens sin supervisión, logrando equilibrio óptimo entre olvido y retención.
Desaprendizaje exacto en aprendizaje por refuerzo
Descubre cómo un nuevo algoritmo de RL permite eliminar datos de usuarios de forma exacta y eficiente, reduciendo el costo computacional. ¡Optimiza la privacidad!
Desaprendizaje rápido a gran escala vía autocorrección de margen
MASC ofrece desaprendizaje rápido a gran escala para modelos de lenguaje, sin reentrenamiento. Mejora la eficiencia y preserva la utilidad. ¡Conoce el método!
PECKER: Borrado eficiente de conocimiento en modelos de difusión
PECKER: método eficiente de desaprendizaje para modelos de difusión. Reduce el tiempo de entrenamiento y mejora el borrado selectivo de conocimiento.
GUDA: Atribución grupal de datos de entrenamiento en modelos de difusión
GUDA: atribución grupal contrafactual eficiente para modelos de difusión. Usa desaprendizaje y es 100x más rápido que reentrenar con cada grupo eliminado.
Desaprendizaje automático multiobjetivo alineado con referencia
RAUL: un marco multiobjetivo que elimina datos de entrenamiento sin perder precisión. Optimiza olvido y retención con alineación de referencia.
Espejismo de seguridad: Correlaciones espurias y desaprendizaje en VLM
Aprende cómo las correlaciones espurias en VLM crean un espejismo de seguridad y cómo el desaprendizaje reduce ataques y rechazos innecesarios.
Destilación guiada por ruido visual para desaprender modelos multimodales
Descubre cómo VGID usa ruido visual y destilación para eliminar conocimiento no deseado en modelos multimodales sin perder rendimiento.
SUPREME: Framework Multi-GPU para Evaluación de Desaprendizaje de Imágenes
Descubre SUPREME, framework open-source que acelera evaluación de desaprendizaje en imágenes usando múltiples GPUs. Reproducible y eficiente.
¿Qué tan difícil puede ser? Desaprendizaje multiobjetivo consciente de la dificultad
Descubre HAMU, un enfoque que garantiza mejoras en el olvido de datos minimizando la pérdida de rendimiento del modelo. Ideal para privacidad y equidad en IA.
Inyección ruido secuencial subespacios evita colapso desaprendizaje certificado
La inyección de ruido secuencial en subespacios evita colapso de precisión en desaprendizaje certificado. Mejora la utilidad del modelo.
Puntos ciegos del desaprendizaje: sobre-desaprendizaje y ataque prototípico
Descubre los puntos ciegos del desaprendizaje automático: sobre-desaprendizaje y ataque de reaprendizaje. Spotter los neutraliza.
El olvido tiene vecinos: olvido colateral localizado
El olvido colateral localizado afecta a datos cercanos al desaprender en machine unlearning. Descubre cómo mitigarlo con destilación de profesor local.
SAEmnesia: eliminación precisa de conceptos en modelos de difusión
Descubre SAEmnesia, un marco que elimina conceptos en modelos de difusión con precisión y eficiencia, reduciendo la búsqueda de hiperparámetros en un 96.67%.
MAAT: nuevo método de desaprendizaje dirigido con adaptadores
Descubre cómo MAAT, un nuevo método de desaprendizaje dirigido, resuelve el sesgo en la evaluación de conocimiento causal con el benchmark 5WBENCH.
AMNESIA: El nuevo benchmark para olvidar datos médicos en IA
Descubre AMNESIA, el primer benchmark masivo para evaluar desaprendizaje en LLMs médicos. ¿Cómo olvidar pacientes sin perder conocimiento clínico? Entra.