影响力数据扰动能否实现机器遗忘：三种角色受控研究
原文标题：Do Influence-Derived Data Perturbations Enable Machine Unlearning? A Controlled Study of Three Plausible Roles
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文系统评估深度扰动学习（DPL）在机器遗忘中的三种角色，发现其公开实现存在图像方向计算与标签扰动两处正确性问题。修正后DPL在CIFAR-10/ResNet-18上未通过直接删除判据，效用效果跨种子不一致，且计入方向计算时间后不如简单热启动基线。作者发布角色匹配评估协议与审计清单。
- 问题
- 深度扰动学习（DPL）被宣称能实现机器遗忘，但其真实有效性缺乏受控验证。
- 方法
- 在角色匹配协议下分别测试DPL的直接删除、效用正则、对抗遗忘热启动三种角色，并审计公开实现。
- 结果
- 修正后DPL在CIFAR-10/ResNet-18三个配对种子上均未通过直接删除判据，计入方向计算时间后不如简单热启动基线。
- 影响
- 提醒做机器遗忘的团队不要直接采信影响力扰动类方法的公开实现与结论，需按角色分别验证。
深读 · 结论先行AI 生成展开看要点与影响 ↓
审计发现DPL公开实现有两处正确性问题，修正后在CIFAR-10/ResNet-18三个配对上均未通过直接删除判据。
- •审计出两处实现问题：图像方向在增强归一化张量上计算却作用于原始图像；标签扰动低于float32分辨率导致标签未变。
- •修正图像扰动流程后，DPL在CIFAR-10/ResNet-18的三个配对种子上全部未通过直接删除判据。
- •效用效果跨种子符号不一致；计入方向计算时间后，不如简单热启动基线。
- •单种子Tiny ImageNet检查同样不支持DPL作为正则项或热启动，但代码预处理不一致使该对比不确定。
- •结论仅覆盖随机实例删除，不排除基于影响函数的方法在其他删除设定下有效；作者发布角色匹配评估协议与审计清单。
为什么重要：机器遗忘论文常以弱角色证据支撑强主张，这项带精确种子重训练基线的审计提醒读者：复现前先查实现正确性。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。