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。

  

摘要:

推荐系统在塑造用户行为和决策方面变得越来越重要,这凸显了它们在各个领域的日益显著的影响。与此同时,推荐系统中机器学习模型的广泛采用引发了关于用户隐私和安全的重大担忧。随着对隐私法规的合规性要求日益提高,迫切需要解决“推荐模型遗忘”(即从学习到的推荐模型中删除特定训练数据)的问题。尽管这一点非常重要,但由于协作交互和模型参数带来的独特挑战,传统的机器遗忘方法并不适合用于推荐模型的遗忘。本调查全面回顾了推荐模型遗忘领域的最新进展,探讨了该领域的设计原则、挑战和方法论。我们提供了一个统一的分类体系,对不同的推荐模型遗忘方法进行了分类,并总结了常用的评估基准和指标。通过回顾当前的研究现状,本调查旨在为开发更高效、可扩展和稳健的推荐模型遗忘技术提供指导。此外,我们还指出了该领域中的一些未解决的研究问题,这些问题不仅可能为推荐模型遗忘技术的发展铺平道路,也可能推动其他机器学习应用中遗忘任务的创新。

引言

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。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号