【技术实现步骤摘要】
本专利技术涉及深度学习图像分类和遗忘学习领域，具体为一种遗忘学习验证方法。
技术介绍
1、深度学习作为实现人工智能的一种重要方法，通过使用海量训练数据构建深度学习模型，学习样本数据的内在规律和表示层次，获得强大的数据特征学习能力，在图像分类领域发挥着不可或缺的作用。但图像分类模型训练过程中需要使用大量用户图像数据，其中可能包含用户的隐私信息。因此，随着隐私意识的增强，用户图像数据遗忘的需求也越来越迫切。由于世界范围内越来越多的法律法规赋予用户数据遗忘权，允许用户要求模型持有者删除模型中关于自身图像数据的部分，因此，遗忘学习技术被提出。遗忘学习最直接的方法是，服务器删除训练集中用户提出遗忘的数据后重新训练整个模型，这个方式虽然有效，但是却要承担巨大的计算开销，尤其是当图像分类模型规模庞大时，完全重训练模型是不现实的。于是，现有的遗忘学习框架致力于降低重训练的计算开销，根据遗忘的方式分为精确遗忘和近似遗忘。其中精确遗忘的核心思想是依旧使用重训练的方式进行数据遗忘，但是通过将训练集进行分块，只重训练部分数据来降低计算开销，近似遗忘是通过修改模...
【技术保护点】
1.一种针对图像分类模型的遗忘学习验证方法，其特征在于，包括：
2.根据权利要求1所述的针对图像分类模型的遗忘学习验证方法，其特征在于，遗忘图像类别验证的具体过程为：
3.根据权利要求2所述的针对图像分类模型的遗忘学习验证方法，其特征在于，提取初始图像分类模型敏感度的具体步骤为：
4.根据权利要求2所述的针对图像分类模型的遗忘学习验证方法，其特征在于，提取遗忘图像分类模型敏感度，具体步骤为：
5.根据权利要求2所述的针对图像分类模型的遗忘学习验证方法，其特征在于，将初始图像分类模型和遗忘图像分类模型的模型敏感度进行匹配，...
【技术特征摘要】
1.一种针对图像分类模型的遗忘学习验证方法，其特征在于，包括：
2.根据权利要求1所述的针对图像分类模型的遗忘学习验证方法，其特征在于，遗忘图像类别验证的具体过程为：
3.根据权利要求2所述的针对图像分类模型的遗忘学习验证方法，其特征在于，提取初始图像分类模型敏感度的具体步骤为：
4.根据权利要求2所述的针对图像分类模型的遗忘学习验证方法，其特征在于，提取遗忘图像分类模型敏感度，具体步骤为：
5.根据权利要求2所述的针对图像分类模型的遗忘学习验证方法...
【专利技术属性】
技术研发人员：付安民，周纯毅，况博裕，苏铓，俞研，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。