Unlearning no es invisible: huellas en LLMs
Descubre cómo el unlearning deja huellas detectables en los LLMs a través de sus salidas. Un nuevo riesgo para la privacidad y la ciberseguridad.
#unlearning
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.
¿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.
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.
RULER: Verificación a nivel de representación del desaprendizaje automático
RULER: Verificación representacional del desaprendizaje automático - Descubre cómo este método verifica la eliminación de datos en modelos de IA de forma representacional y precisa.