
-
生物通官微
陪你抓住生命科技
跳动的脉搏
关于推荐系统“去学习”(Recommendation Unlearning)的研究综述:基础原理、分类体系、评估方法及未解决的问题
《IEEE Transactions on Knowledge and Data Engineering》:A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions
【字体: 大 中 小 】 时间:2026年01月06日 来源:IEEE Transactions on Knowledge and Data Engineering 10.4
编辑推荐:
推荐系统卸载技术综述与挑战分析,提出统一分类框架和评估基准,探讨协同交互与模型参数的卸载特殊性,隐私保护与数据合规需求驱动下研究开放问题。
在过去几年中,机器学习(尤其是深度学习)取得了前所未有的发展[11]、[33]、[38]、[47]、[52]、[81]、[84]、[105]。算法、架构和计算能力的创新使得模型在各种任务中表现出色,彻底改变了各个行业并重塑了社会规范[1]、[9]、[22]、[23]、[46]、[94]、[95]、[103]、[113]。与此同时,用于训练机器学习模型的数据量呈指数级增长,这引发了关于隐私和安全的紧迫问题[26]、[97]、[123]。随着越来越多的个人敏感数据被用于模型训练,人们对这些数据的收集、存储和使用方式的安全性担忧也随之加剧。个人隐私面临的风险日益增加,个人信息被滥用或未经授权访问的情况变得越来越普遍。在这种情况下,诸如《通用数据保护条例》[104]、《加州消费者隐私法》[80]和《删除法案》[42]等监管措施赋予了个人“被遗忘的权利”,要求删除在模型构建过程中使用过的个人数据。