Uncovering Hidden Vulnerabilities in Machine Unlearning: Adversarial Attack as a Probe and Pruning as a Solution

Q: 이 논문에서 정의한 비학습 견고성이란 무엇인가?

비학습 견고성은 모델이 비학습 과정으로 인해 잊혀진 데이터에 대해 낮은 정확도를 유지하는 능력으로 정의된다. 이는 모델이 적대적 공격을 받았을 때도 잊혀진 데이터에 대한 지식을 '기억'하지 않고, 해당 데이터에 대한 성능을 최소화하는 정도를 의미한다.

Q: 기존 근사 비학습 모델의 숨겨진 취약점을 어떻게 발견할 수 있는가?

연구 결과, 적대적 공격은 근사 비학습 모델이 잊혀진 데이터에 대한 지식을 여전히 보유하고 있음을 드러내는 효과적인 도구이다. 특히, '먼저 가지치기하고 나중에 비학습하는' 접근 방식은 적대적 견고성 측면에서 완전한 비학습을 달성하는 데 기여한다.

Hwiyeong Lee; Jeonghyeon Kim; Sangheum Hwang

학술대회자료

Uncovering Hidden Vulnerabilities in Machine Unlearning: Adversarial Attack as a Probe and Pruning as a Solution

저자정보: Hwiyeong Lee (Seoul National University of Science and Technology) Jeonghyeon Kim (Seoul National University of Science and Technology) Sangheum Hwang (Seoul National University of Science and Technology)

저널정보: Korean Institute of Information Scientists and Engineers 한국정보과학회 학술발표논문집 한국정보과학회 2024 한국컴퓨터종합학술대회 논문집

발행연도: 2024.6

수록면: 1,982 - 1,984 (3page)

오류 신고하기

피인용 0

Uncovering Hidden Vulnerabilities in Machine Unlearning: Adversarial Attack as a Probe and Pruning as a Solution

검색

초록·키워드

In response to stringent data regulation requirements, such as the GDPR's “right to be forgotten”, machine unlearning (MU) has become critical for removing specific datapoints from a given model. While exact unlearning offers a trivial solution by retraining the model from scratch without the samples to be erased, its high computational costs have prompted the development of a more efficient and viable solution, widely referred to as approximate unlearning. Despite claims that approximate unlearning achieves similar performance to exact unlearning, doubts remain about the completeness of data erasure, specifically whe ... 전체 초록 보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

Uncovering Hidden Vulnerabilities in Machine Unlearning: Adversarial Attack as a Probe and Pruning as a Solution

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료