通过参数自共享实现表征遗忘的机器遗忘

基于摘要分析。本文研究机器遗忘中删除指定样本贡献与保留模型效用之间的冲突，提出 representation-forgetting unlearning with parameter self-sharing（RFU-SS），将遗忘与既有知识保留建模为双目标优化问题，以缓解删除数据后模型性能明显下降的“灾难性遗忘”。 机制上，作者先提出 representation-forgetting unlearning（RFU），通过最小化表征与待删除数据之间的互信息，降低指定样本对已训练表征的贡献；该表征使用 information bottleneck（IB，信息瓶颈）方法学习，RFU 的介绍针对 IB 结构模型展开。在此基础上，RFU-SS 引入参数自共享结构优化，同时处理遗忘与保留目标。摘要未给出互信息估计方式、具体损失形式、参数共享范围及优化流程，这些内容尚未验证。 作者报告，在 MNIST 上，RFU-SS 将模型 Accuracy 的下降幅度从超过 6% 降至不足 0.2%，同时取得更好的删除效果。这里保留摘要的百分比表述；其对应相对降幅还是百分点差值，以及具体对照方法、删除比例、数据划分和删除效果指标，均需核对全文，不能据此推广到其他任务。作者提供了源码地址，但实现与复现条件尚未核查；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于探索 EEG 模型在撤回特定训练样本后的效用保留，但原研究对象是通用机器遗忘，并非 BCI。可复用的是遗忘与保留的双目标思路；需改造和核对的是 EEG 编码器的 IB 结构、互信息估计及遗忘单位。EEG 的低信噪比、跨被试差异和小样本可能使删除目标与任务信息高度重叠，导致保留性能受损。一个可检验的小实验是在固定 EEG 划分下撤回部分训练样本，将 RFU-SS 与完整重训练及不执行遗忘的模型对照，分别检查删除效果和保留集性能；具体指标须依据全文协议确定。已有 EEG 相关工作尚未检索确认。