Abstract
De voorbije jaren zijn machine learning-algoritmen zijn zeer effectief gebleken bij het analyseren van grote hoeveelheden gegevens en het vinden van complexe patronen. Een toepassing van machine learning die veel aandacht heeft gekregen, zijn aanbevelingssystemen, dit zijn algoritmen die gebruikersgedrag en andere gegevens analyseren om inhoud voor te stellen waarin een gebruiker mogelijk geïnteresseerd is. Deze systemen kunnen echter onbedoeld gevoelige, verouderde of foutieve informatie bevatten. Dit vormt een risico voor hun privacy, beveiliging en bruikbaarheid. In dit voorstel willen we deze problemen aanpakken door "vergeetmethoden" te onderzoeken, waardoor informatie efficiënt kan worden "vergeten" door een model. Het hoofddoel van dit voorstel is het leggen van de basis voor toekomstige vergeetmethoden. We evalueren eerst de huidige vergeetmethoden en verkennen nieuwe vijandige aanvallen op de verifieerbaarheid, efficiëntie en nauwkeurigheid van deze methoden. Met behulp van onze verzamelde inzichten proberen we nieuwe vergeetmethoden te creëren die verifieerbaar en efficiënt zijn en niet leiden tot een sterke verslechtering van de accuraatheid van een model. Met dit voorstel proberen we een belangrijke bijdrage te leveren aan de theoretische grondslagen van "unlearning", terwijl we ook vergeetmethoden ontwikkelen die kunnen worden toegepast op reële problemen.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)