CN115081623A - 遗忘学习方法、装置、设备及介质 - Google Patents

遗忘学习方法、装置、设备及介质 Download PDF

Info

Publication number
CN115081623A
CN115081623A CN202210820861.9A CN202210820861A CN115081623A CN 115081623 A CN115081623 A CN 115081623A CN 202210820861 A CN202210820861 A CN 202210820861A CN 115081623 A CN115081623 A CN 115081623A
Authority
CN
China
Prior art keywords
sample data
full
training set
model
pseudo
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210820861.9A
Other languages
English (en)
Inventor
曹子豪
王健宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210820861.9A priority Critical patent/CN115081623A/zh
Publication of CN115081623A publication Critical patent/CN115081623A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及数据处理技术领域，提供了一种遗忘学习方法、装置、设备及介质，方法包括获取全量训练集的特征矩阵以及基于全量训练集训练得到的完整模型，其中，全量训练集包括待遗忘的K个样本数据，从全量训练集的特征矩阵中获取K个样本数据的特征向量，并将K个样本数据的特征向量输入到预设的原始模型，以通过原始模型输出K个样本数据的初始标签，其中，原始模型未经过K个样本数据训练，确定全量训练集的伪逆矩阵，并以最小化通过完整模型得到的K个样本数据的预测标签与初始标签之间的差异值为更新目标，基于全量训练集的伪逆矩阵、K个样本数据的特征向量以及初始标签对完整模型的模型参数进行更新，提高了模型遗忘学习的效率。

Description

遗忘学习方法、装置、设备及介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种遗忘学习方法、装置、设备及介质。
背景技术
随着深度学习技术的发展，以神经网络为主的深度学习模型正越来越多地应用于现实生产生活中。训练一个模型需要依靠大量的样本数据，而样本数据就包含有从用户搜集而来的隐私信息。
一方面，由于用户对数据隐私性的不断重视以及相关法律法规的制定，都要求模型服务商能够从样本数据中删除用户的数据；另一方面，由于模型在使用这些用户数据进行训练后会对模型参数产生影响，模型的预测反过来可能会泄露用户信息，因此，除了直接从样本数据中删除用户的数据，更要求模型服务商能够在模型中移除该数据所带来的影响。
为了让模型完全遗忘数据，一般的做法都是从样本数据中删除用户的数据，然后基于删除后的样本数据重新训练一个模型，但重新训练需要占用大量资源并且花费较多时间，与高效深度学习的目的不相符。
发明内容
本申请实施例的主要目的在于提出一种遗忘学习方法、装置、电子设备及计算机可读存储介质，能够提高模型遗忘学习的效率。
为实现上述目的，本申请实施例的第一方面提出了一种遗忘学习方法，所述方法包括：
获取全量训练集的特征矩阵以及基于所述全量训练集训练得到的完整模型，其中，所述全量训练集包括待遗忘的K个样本数据，K为大于或等于1的整数；
根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵；
从所述全量训练集的特征矩阵中获取所述K个样本数据的特征向量，并将所述K个样本数据的特征向量输入到预设的原始模型，以通过所述原始模型输出所述K个样本数据的初始标签，其中，所述原始模型未经过所述K个样本数据训练；
以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签对所述完整模型的模型参数进行更新
根据本发明一些实施例提供的遗忘学习方法，根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵，包括：
根据所述全量训练集的特征矩阵，确定所述全量训练集中每个样本数据的投影矩阵；
根据每个样本数据的投影矩阵，确定所述全量训练集的投影矩阵和；
对所述全量训练集的投影矩阵和进行伪逆处理，得到所述全量训练集的伪逆矩阵。
根据本发明一些实施例提供的遗忘学习方法，所述全量训练集的伪逆矩阵通过以下公式确定：
Figure BDA0003744335210000021
其中，所述PSEUDOINV(*)表示伪逆计算，所述S-1表示所述全量训练集的伪逆矩阵，所述
Figure BDA0003744335210000022
表示第i个样本数据的投影矩阵。
根据本发明一些实施例提供的遗忘学习方法，所述以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签对所述完整模型的模型参数进行更新，包括：
基于所述完整模型的模型参数、所述K个样本数据的特征向量以及初始标签，构建损失函数，所述损失函数用于表征通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值；
确定所述损失函数的梯度值，以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述全量训练集的伪逆矩阵以及所述损失函数的梯度值对所述完整模型的模型参数进行更新。
根据本发明一些实施例提供的遗忘学习方法，所述损失函数通过以下公式确定：
Figure BDA0003744335210000031
所述损失函数的梯度值通过以下公式确定：
Figure BDA0003744335210000032
其中，所述θfull表示所述完整模型的模型参数，所述xi为第i个样本数据的特征向量，所述yi为第i个样本数据的初始标签。
根据本发明一些实施例提供的遗忘学习方法，所述以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述全量训练集的伪逆矩阵以及所述损失函数的梯度值对所述完整模型的模型参数进行更新，包括：
从所述全量训练集的伪逆矩阵中提取得到所述K个样本数据的伪逆向量；
以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述K个样本数据的伪逆向量以及所述损失函数的梯度值对所述完整模型的模型参数进行更新。
根据本发明一些实施例提供的遗忘学习方法，所述完整模型的模型参数通过以下公式进行更新：
Figure BDA0003744335210000033
其中，所述
Figure BDA0003744335210000034
表示所述K个样本数据中第i个样本数据的伪逆向量，所述
Figure BDA0003744335210000035
表示所述损失函数的梯度值，所述vi表示所述K个样本数据中第i个样本数据的步长。
为实现上述目的，本申请实施例的第二方面提出了一种遗忘学习装置，所述装置包括：
获取模块，用于获取全量训练集的特征矩阵以及基于所述全量训练集训练得到的完整模型，其中，所述全量训练集包括待遗忘的K个样本数据，K为大于或等于1的整数；
第一处理模块，用于根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵；
第二处理模块，用于从所述全量训练集的特征矩阵中获取所述K个样本数据的特征向量，并将所述K个样本数据的特征向量输入到预设的原始模型，以通过所述深度学习模型输出所述K个样本数据的初始标签，其中，所述原始模型未经过所述K个样本数据训练；
更新模块，用于以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签，对所述完整模型的模型参数进行更新。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出一种遗忘学习方法、装置、电子设备以及计算机可读存储介质，所述遗忘学习方法通过获取全量训练集的特征矩阵以及基于全量训练集训练得到的完整模型，其中，全量训练集包括待遗忘的K个样本数据，之后根据全量训练集的特征矩阵，确定全量训练集的伪逆矩阵，再从全量训练集的特征矩阵中获取K个样本数据的特征向量，并将K个样本数据的特征向量输入到预设的原始模型，以通过原始模型输出K个样本数据的初始标签，其中，原始模型未经过所述K个样本数据训练，将最小化通过完整模型得到的K个样本数据的预测标签与初始标签之间的差异值作为更新目标，基于全量训练集的伪逆矩阵、K个样本数据的特征向量以及初始标签对完整模型的模型参数进行更新，使得完整模型的模型参数不断逼近原始模型的模型参数，从而移除待遗忘的K个样本数据对完整模型的影响，实现模型的遗忘学习。本申请实施例在根据全量训练集训练得到的完整模型的基础上，采用维数线性且独立于全量训练集的数据进行遗忘学习，显著提高模型的遗忘学习效率。
附图说明
图1是本申请实施例提供的一种遗忘学习方法的流程示意图；
图2是图1中步骤S120的子步骤流程示意图；
图3是图1中步骤S140的子步骤流程示意图；
图4是本申请实施例提供的一种遗忘学习方法的流程示意图；
图5是本申请实施例提供的一种遗忘学习装置的结构示意图；
图6是本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
随着深度学习技术的发展，以神经网络为主的深度学习模型正越来越多地应用于现实生产生活中。训练一个模型需要依靠大量的样本数据，而样本数据就包含有从用户搜集而来的隐私信息。
一方面，由于用户对数据隐私性的不断重视以及相关法律法规的制定，都要求模型服务商能够从样本数据中删除用户的数据；另一方面，由于模型在使用这些用户数据进行训练后会对模型参数产生影响，模型的预测反过来可能会泄露用户信息，因此，除了直接从样本数据中删除用户的数据，更要求模型服务商能够在模型中移除该数据所带来的影响。
为了让模型完全遗忘数据，一般的做法都是从样本数据中删除用户的数据，然后基于删除后的样本数据重新训练一个模型，但重新训练需要占用大量资源并且花费较多时间，与高效深度学习的目的不相符。
基于此，本申请实施例提供了一种遗忘学习方法、装置、电子设备及计算机可读存储介质，能够提高模型遗忘学习的效率。
本申请实施例提供的一种遗忘学习方法、装置、电子设备及计算机可读存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的遗忘学习方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的遗忘学习方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现遗忘学习方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参见图1，图1示出了本申请实施例提供的一种遗忘学习方法的流程示意图。如图1所示，该遗忘学习方法包括但不限于步骤S110至S140：
步骤S110，获取全量训练集的特征矩阵以及基于所述全量训练集训练得到的完整模型，其中，所述全量训练集包括待遗忘的K个样本数据，K为大于或等于1的整数。
示例性的，全量训练集Dfull，以及全量训练集Dfull对应的特征矩阵X＝[x1，x2，...，xn]T∈Rn×d，其中全量训练集Dfull包括有待遗忘的K个样本数据。
步骤S120，根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵；
在一些实施例中，参见图2，图2示出了图1中步骤S120的子步骤流程示意图，如图2所示，本申请实施例提供的遗忘学习方法中步骤S120包括但不限于步骤S210至步骤S230：
步骤S210，根据所述全量训练集的特征矩阵，确定所述全量训练集中每个样本数据的投影矩阵。
步骤S220，根据每个样本数据的投影矩阵，确定所述全量训练集的投影矩阵和。
步骤S230，对所述全量训练集的投影矩阵和进行伪逆处理，得到所述全量训练集的伪逆矩阵。
在一些实施例中，所述全量训练集的伪逆矩阵通过以下公式确定：
Figure BDA0003744335210000071
其中，所述PSEUDOINV(*)表示伪逆计算，所述S-1表示所述全量训练集的伪逆矩阵，所述
Figure BDA0003744335210000072
表示第i个样本数据的投影矩阵。
可以理解的是，计算求得样本数据的特征向量以及该特征向量的转置向量之间的内积，其内积也就是样本数据的投影矩阵，再对全量数据集中的所有样本数据的投影矩阵进行求和，得到全量训练集的投影矩阵和，对投影矩阵和进行伪逆计算，得到全量训练集的伪逆矩阵。应了解，伪逆矩阵为其原矩阵A的转置矩阵A′同型的矩阵X，并且满足：AXA＝A，XAX＝X，此时称矩阵X为矩阵A的伪逆，也称为广义逆矩阵。
步骤S130，从所述全量训练集的特征矩阵中获取所述K个样本数据的特征向量，并将所述K个样本数据的特征向量输入到预设的原始模型，以通过所述原始模型输出所述K个样本数据的初始标签，其中，所述原始模型未经过所述K个样本数据训练；
示例性的，从全量训练集Dfull对应的特征矩阵X＝[x1，x2，...，xn]T∈Rn×d中提取待遗忘的K个样本数据的特征向量[x1，x2，...，xk]，之后将K个样本数据的特征向量[x1，x2，...，xk]输入至未经过所述K个样本数据训练的原始模型，以通过该原始模型输出K个样本数据对应的初始标签。
步骤S140，以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签对所述完整模型的模型参数进行更新。
可以理解的是，初始标签为未经过K个样本数据训练的原始模型预测得到，因此，将该初始标签视为真实标签，最小化完整模型得到的K个样本数据的预测标签与该初始标签之间的差异值，对完整模型的模型参数进行更新，使得完整模型的模型参数不断逼近原始模型的模型参数，从而移除待遗忘的K个样本数据对完整模型的影响，实现模型的遗忘学习。
需要说明的是，根据K个样本数据的特征向量以及完整模型的模型参数可以确定K个样本数据的预测标签。
在一些实施例中，参见图3，图3示出了图1中步骤S140的子步骤流程示意图，如图3所示，本申请实施例提供的遗忘学习方法中步骤S140包括但不限于步骤S310和步骤S320：
步骤S310，基于所述完整模型的模型参数、所述K个样本数据的特征向量以及初始标签，构建损失函数，所述损失函数用于表征通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值；
步骤S320，确定所述损失函数的梯度值，以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述全量训练集的伪逆矩阵以及所述损失函数的梯度值对所述完整模型的模型参数进行更新。
可以理解的是，要最小化通过完整模型得到的K个样本数据的预测标签与初始标签之间的差异值，可以构建用于表征通过完整模型得到的K个样本数据的预测标签与初始标签之间差异值的损失函数，并通过梯度下降法更新完整模型的模型参数。
需要说明的是，可以基于完整模型的模型参数、K个样本数据的特征向量以及初始标签构建用于表征通过完整模型得到的所述K个样本数据的预测标签与初始标签之间的差异值的绝对值损失函数、log对数损失函数或平方损失函数等损失函数，本申请实施例在此不作具体限定。
在一些实施例中，所述损失函数通过以下公式确定：
Figure BDA0003744335210000081
所述损失函数的梯度值通过以下公式确定：
Figure BDA0003744335210000091
其中，所述θfull表示所述完整模型的模型参数，所述xi为第i个样本数据的特征向量，所述yi为第i个样本数据的初始标签。
可以理解的是，对于完整模型的模型参数θfull，可以通过以下公式确定：
θfull＝argmaxθLfull(θ)；
其中，Lfull(θ)为完整模型使用的损失函数，argmax(·)为对函数求参数(集合)的函数，因此，argmaxθLfull(θ)用于求得使Lfull(θ)取得最大值所对应的模型参数集合θfull。从而根据模型参数θfull和K个样本数据的特征向量确定完整模型对K个样本数据的预测标签，也就是样本数据i的预测标签为θfull Txi，将通过原始模型得到的K个样本数据的初始标签视为真实标签，进而根据k个样本数据对应的预测标签和真实标签(初始标签)，构建MSE均方误差损失函数J(θ)，对该损失函数进行求导，得到对应的梯度值
Figure BDA0003744335210000095
在一些实施例中，参见图4，图4示出本申请实施例提供的一种遗忘学习方法的流程示意图，如图4所示，所述以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述全量训练集的伪逆矩阵以及所述损失函数的梯度值对所述完整模型的模型参数进行更新，包括：
步骤S410，从所述全量训练集的伪逆矩阵中提取得到所述K个样本数据的伪逆向量；
步骤S420，以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述K个样本数据的伪逆向量以及所述损失函数的梯度值对所述完整模型的模型参数进行更新。
在一些实施例中，所述完整模型的模型参数用过以下公式进行更新：
Figure BDA0003744335210000092
其中，所述
Figure BDA0003744335210000093
表示所述K个样本数据中第i个样本数据的伪逆向量，所述
Figure BDA0003744335210000094
表示所述损失函数的梯度值，所述vi表示所述K个样本数据中第i个样本数据的步长。
需要说明的是，以最小化通过完整模型得到的K个样本数据的预测标签与初始标签之间的差异值为更新目标，由于只针对全量训练集中待遗忘的K个样本数据，因此需要先从全量训练集的伪逆矩阵中提取K个样本数据的伪逆向量
Figure BDA0003744335210000101
继而根据K个样本数据的伪逆向量以及损失函数的梯度值对完整模型的模型参数进行更新，其中，vi表示K个样本数据中第i个样本数据的步长，也就是在梯度下降中每个样本数据上对应的步长(学习率)，应了解，可以根据实际情况调整vi的取值，本申请实施例在此不作具体限制。
下面通过一个具体实施例描述本申请实施例提供的遗忘学习方法：
获取全量训练集Dfull的特征矩阵X＝[x1，x2，…，xn]T∈Rn×d以及基于全量训练集Dfull训练得到的完整模型D，其中，全量训练集Dfull包括待遗忘的K个样本数据，K为大于或等于1的整数。
根据全量训练集Dfull的特征矩阵X中获取每个样本数据的特征向量xi，从而确定全量训练集Dfull中每个样本数据的投影矩阵
Figure BDA0003744335210000102
再对全量训练集Dfull中每个样本数据的投影矩阵
Figure BDA0003744335210000103
进行求和得到全量训练集Dfull的投影矩阵和，进而对投影矩阵和进行伪逆计算，得到全量训练集Dfull的伪逆矩阵，最后从全量训练集Dfull的伪逆矩阵中提取得到待遗忘的K个样本数据对应的伪逆向量
Figure BDA0003744335210000104
将K个样本数据的特征向量xi输入至未经过K个样本数据训练的原始模型，以通过原始模型得到K个样本数据对应的初始标签yi。
基于完整模型的模型参数、K个样本数据对应的特征向量以及初始标签，构建用于表征通过完整模型得到的K个样本数据的预测标签与初始标签之间差异值的损失函数J(θ)，损失函数J(θ)表示如下：
Figure BDA0003744335210000105
对损失函数J(θ)进行求导，得到损失函数J(θ)的梯度值
Figure BDA0003744335210000106
梯度值
Figure BDA0003744335210000107
表示如下：
Figure BDA0003744335210000108
其中，完整模型的模型参数θfull＝argmaxθLfull(θ)，Lfull(θ)为完整模型使用的损失函数，argmax(·)为对函数求参数(集合)的函数。
从而根据K个样本数据的伪逆向量
Figure BDA0003744335210000109
以及损失函数J(θ)的梯度值
Figure BDA00037443352100001010
以最小化完整模型得到的K个样本数据的预测标签以及初始标签之间的差异值为更新目标，也就是最小化损失函数在K个样本数据上的损失值，对完整模型的模型参数进行更新：
Figure BDA0003744335210000111
本申请提出一种遗忘学习方法，所述遗忘学习方法通过获取全量训练集的特征矩阵以及基于全量训练集训练得到的完整模型，其中，全量训练集包括待遗忘的K个样本数据，之后根据全量训练集的特征矩阵，确定全量训练集的伪逆矩阵，再从全量训练集的特征矩阵中获取K个样本数据的特征向量，并将K个样本数据的特征向量输入到预设的原始模型，以通过原始模型输出K个样本数据的初始标签，其中，原始模型未经过所述K个样本数据训练，将最小化通过完整模型得到的K个样本数据的预测标签与初始标签之间的差异值作为更新目标，基于全量训练集的伪逆矩阵、K个样本数据的特征向量以及初始标签对完整模型的模型参数进行更新，使得完整模型的模型参数不断逼近原始模型的模型参数，从而移除待遗忘的K个样本数据对完整模型的影响，实现模型的遗忘学习。本申请实施例在根据全量训练集训练得到的完整模型的基础上，采用维数线性且独立于全量训练集的数据进行遗忘学习，显著提高模型的遗忘学习效率。
请参见图5，本申请实施例还提供了一种遗忘学习装置100，所述遗忘学习装置100包括：
获取模块110，用于获取全量训练集的特征矩阵以及基于所述全量训练集训练得到的完整模型，其中，所述全量训练集包括待遗忘的K个样本数据，K为大于或等于1的整数；
第一处理模块120，用于根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵；
第二处理模块130，用于从所述全量训练集的特征矩阵中获取所述K个样本数据的特征向量，并将所述K个样本数据的特征向量输入到预设的原始模型，以通过所述深度学习模型输出所述K个样本数据的初始标签，其中，所述原始模型未经过所述K个样本数据训练；
更新模块140，用于以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签，对所述完整模型的模型参数进行更新。
在一些实施例中，所述第一处理模块120还包括：
第一处理子模块，用于根据所述全量训练集的特征矩阵，确定所述全量训练集中每个样本数据的投影矩阵；
第二处理子模块，用于根据每个样本数据的投影矩阵，确定所述全量训练集的投影矩阵和；
第三处理子模块，用于对所述全量训练集的投影矩阵和进行伪逆处理，得到所述全量训练集的伪逆矩阵。
在一些实施例中，所述更新模块140还包括：
第一更新子模块，用于基于所述完整模型的模型参数、所述K个样本数据的特征向量以及初始标签，构建损失函数，所述损失函数用于表征通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值；
第二更新子模块，用于确定所述损失函数的梯度值，以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述全量训练集的伪逆矩阵以及所述损失函数的梯度值对所述完整模型的模型参数进行更新。
本申请提出一种遗忘学习装置，所述遗忘学习装置通过获取模块获取全量训练集的特征矩阵以及基于全量训练集训练得到的完整模型，其中，全量训练集包括待遗忘的K个样本数据，之后第一处理模块根据全量训练集的特征矩阵，确定全量训练集的伪逆矩阵，第二处理模块再从全量训练集的特征矩阵中获取K个样本数据的特征向量，并将K个样本数据的特征向量输入到预设的原始模型，以通过原始模型输出K个样本数据的初始标签，其中，原始模型未经过所述K个样本数据训练，更新模块将最小化通过完整模型得到的K个样本数据的预测标签与初始标签之间的差异值作为更新目标，基于全量训练集的伪逆矩阵、K个样本数据的特征向量以及初始标签对完整模型的模型参数进行更新，使得完整模型的模型参数不断逼近原始模型的模型参数，从而移除待遗忘的K个样本数据对完整模型的影响，实现模型的遗忘学习。本申请实施例在根据全量训练集训练得到的完整模型的基础上，采用维数线性且独立于全量训练集的数据进行遗忘学习，显著提高模型的遗忘学习效率。
需要说明的是，上述装置的模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
请参见图6，图6示出本申请实施例提供的一种电子设备的硬件结构，电子设备包括：
处理器210，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集合成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集合成电路等方式实现，用于执行相关计算机程序，以实现本申请实施例所提供的技术方案；
存储器220，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器220可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器220中，并由处理器210来调用执行本申请实施例的遗忘学习方法；
输入/输出接口230，用于实现信息输入及输出；
通信接口240，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和总线250，在设备的每个组件(例如处理器210、存储器220、输入/输出接口230和通信接口240)之间传输信息；
其中处理器210、存储器220、输入/输出接口230和通信接口240通过总线250实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个计算机程序，一个或者多个计算机程序可被一个或者多个处理器执行，以实现上述遗忘学习方法。
存储器作为一种计算机可读存储介质，可用于存储软件程序以及计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集合成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请每个实施例中的各功能单元可以集合成在一个处理单元中，也可以是每个单元单独物理存在，也可以两个或两个以上单元集合成在一个单元中。上述集合成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集合成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请每个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种遗忘学习方法，其特征在于，所述方法包括：
获取全量训练集的特征矩阵以及基于所述全量训练集训练得到的完整模型，其中，所述全量训练集包括待遗忘的K个样本数据，K为大于或等于1的整数；
根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵；
从所述全量训练集的特征矩阵中获取所述K个样本数据的特征向量，并将所述K个样本数据的特征向量输入到预设的原始模型，以通过所述原始模型输出所述K个样本数据的初始标签，其中，所述原始模型未经过所述K个样本数据训练；
以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签对所述完整模型的模型参数进行更新。
2.根据权利要求1所述的方法，其特征在于，所述根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵，包括：
根据所述全量训练集的特征矩阵，确定所述全量训练集中每个样本数据的投影矩阵；
根据每个样本数据的投影矩阵，确定所述全量训练集的投影矩阵和；
对所述全量训练集的投影矩阵和进行伪逆处理，得到所述全量训练集的伪逆矩阵。
3.根据权利要求2所述的方法，其特征在于，所述全量训练集的伪逆矩阵通过以下公式确定：
Figure FDA0003744335200000011
其中，所述PSEUDOINV(*)表示伪逆计算，所述S-1表示所述全量训练集的伪逆矩阵，所述
Figure FDA0003744335200000012
表示第i个样本数据的投影矩阵。
4.根据权利要求1所述的方法，其特征在于，所述以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签对所述完整模型的模型参数进行更新，包括：
基于所述完整模型的模型参数、所述K个样本数据的特征向量以及初始标签，构建损失函数，所述损失函数用于表征通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值；
确定所述损失函数的梯度值，以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述全量训练集的伪逆矩阵以及所述损失函数的梯度值对所述完整模型的模型参数进行更新。
5.根据权利要求4所述的方法，其特征在于，所述损失函数通过以下公式确定：
Figure FDA0003744335200000021
所述损失函数的梯度值通过以下公式确定：
Figure FDA0003744335200000022
其中，所述θfull表示所述完整模型的模型参数，所述xi为第i个样本数据的特征向量，所述yi为第i个样本数据的初始标签。
6.根据权利要求4所述的方法，其特征在于，所述以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述全量训练集的伪逆矩阵以及所述损失函数的梯度值对所述完整模型的模型参数进行更新，包括：
从所述全量训练集的伪逆矩阵中提取得到所述K个样本数据的伪逆向量；
以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，根据所述K个样本数据的伪逆向量以及所述损失函数的梯度值对所述完整模型的模型参数进行更新。
7.根据权利要求6所述的方法，其特征在于，所述完整模型的模型参数通过以下公式进行更新：
Figure FDA0003744335200000023
其中，所述
Figure FDA0003744335200000024
表示所述K个样本数据中第i个样本数据的伪逆向量，所述
Figure FDA0003744335200000025
表示所述损失函数的梯度值，所述vi表示所述K个样本数据中第i个样本数据的步长。
8.一种遗忘学习装置，其特征在于，所述装置包括：
获取模块，用于获取全量训练集的特征矩阵以及基于所述全量训练集训练得到的完整模型，其中，所述全量训练集包括待遗忘的K个样本数据，K为大于或等于1的整数；
第一处理模块，用于根据所述全量训练集的特征矩阵，确定所述全量训练集的伪逆矩阵；
第二处理模块，用于从所述全量训练集的特征矩阵中获取所述K个样本数据的特征向量，并将所述K个样本数据的特征向量输入到预设的原始模型，以通过所述深度学习模型输出所述K个样本数据的初始标签，其中，所述原始模型未经过所述K个样本数据训练；
更新模块，用于以最小化通过所述完整模型得到的所述K个样本数据的预测标签与所述初始标签之间的差异值为更新目标，基于所述全量训练集的伪逆矩阵、所述K个样本数据的特征向量以及初始标签对所述完整模型的模型参数进行更新。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的遗忘学习方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的遗忘学习方法。
CN202210820861.9A 2022-07-13 2022-07-13 遗忘学习方法、装置、设备及介质 Pending CN115081623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210820861.9A CN115081623A (zh) 2022-07-13 2022-07-13 遗忘学习方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210820861.9A CN115081623A (zh) 2022-07-13 2022-07-13 遗忘学习方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115081623A true CN115081623A (zh) 2022-09-20

Family

ID=83259693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210820861.9A Pending CN115081623A (zh) 2022-07-13 2022-07-13 遗忘学习方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115081623A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739038A (zh) * 2023-03-24 2023-09-12 中国科学技术大学 数据处理方法及装置、电子设备、计算机可读存储介质
CN117349899A (zh) * 2023-12-06 2024-01-05 湖北省楚天云有限公司 基于遗忘模型的敏感数据处理方法、系统及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739038A (zh) * 2023-03-24 2023-09-12 中国科学技术大学 数据处理方法及装置、电子设备、计算机可读存储介质
CN116739038B (zh) * 2023-03-24 2024-04-05 中国科学技术大学 数据处理方法及装置、电子设备、计算机可读存储介质
CN117349899A (zh) * 2023-12-06 2024-01-05 湖北省楚天云有限公司 基于遗忘模型的敏感数据处理方法、系统及存储介质
CN117349899B (zh) * 2023-12-06 2024-04-05 湖北省楚天云有限公司 基于遗忘模型的敏感数据处理方法、系统及存储介质

Similar Documents

Publication Publication Date Title
KR102342604B1 (ko) 뉴럴 네트워크 생성 방법 및 장치
CN115081623A (zh) 遗忘学习方法、装置、设备及介质
CN112364203B (zh) 电视视频推荐方法、装置、服务器和存储介质
CN114580794B (zh) 数据处理方法、装置、程序产品、计算机设备和介质
CN111651989B (zh) 命名实体识别方法和装置、存储介质及电子装置
CN114330474A (zh) 一种数据处理方法、装置、计算机设备以及存储介质
CN115223251A (zh) 签名检测模型的训练方法和装置、电子设备及存储介质
CN115222061A (zh) 基于持续学习的联邦学习方法以及相关设备
CN113052618A (zh) 一种数据预测方法以及相关设备
CN117539985A (zh) 基于语言风格的问答方法和装置、电子设备及存储介质
CN111625858A (zh) 一种垂直领域下的智能化多模态数据脱敏方法和装置
CN115828153A (zh) 基于人工智能的任务预测方法、装置、设备和介质
CN115205546A (zh) 模型训练方法和装置、电子设备、存储介质
CN115423031A (zh) 一种模型训练的方法以及相关装置
CN115879455A (zh) 词语情感极性预测方法及其装置、电子设备及存储介质
CN115375484A (zh) 基于矩阵分解的保险产品提取方法和装置、设备及介质
CN114896294A (zh) 产品测试数据表生成方法、装置、设备及存储介质
CN115272121A (zh) 图像处理方法、图像处理装置、计算机设备和存储介质
CN110516717B (zh) 用于生成图像识别模型的方法和装置
CN113159315A (zh) 一种神经网络的训练方法、数据处理方法以及相关设备
CN116664958B (zh) 基于二值神经网络模型的图像分类方法以及相关设备
CN110675331A (zh) 图像去噪方法、装置、计算机可读存储介质及电子设备
CN116188082A (zh) 基于因子分解机模型的广告点击率预估方法
CN116643814A (zh) 模型库构建方法、基于模型库的模型调用方法和相关设备
CN115827130A (zh) 基于求解器模型的信息展示方法、装置、电子设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination