Machine Unlearning: A Comprehensive Survey

随着全球范围内对被遗忘权的立法，许多研究试图设计遗忘机制，以保护用户在离开机器学习服务平台时的隐私。具体而言，机器遗忘是指让训练模型删除已删除的训练数据集的子集的贡献。本文旨在系统地分类各种机器遗忘方法，并讨论它们的差异、联系和未解决的问题。我们将当前的遗忘方法分为四种情况：集中式遗忘、分布式和不规则数据遗忘、遗忘验证以及遗忘中的隐私和安全问题。由于集中式遗忘是主要领域，我们使用两个部分进行介绍：首先，我们将集中式遗忘分类为精确遗忘和近似遗忘；其次，我们详细介绍这些方法的技术。除了集中式遗忘，我们注意到一些关于分布式和不规则数据遗忘的研究，并介绍联邦遗忘和图形遗忘作为两个代表性方向。介绍了遗忘方法之后，我们回顾了有关遗忘验证的研究。此外，我们认为机器遗忘中的隐私和安全问题是至关重要的，并组织了最新的相关文献。最后，我们讨论了各种遗忘情况的挑战，并提出了潜在的研究方向。

机器遗忘是一个新兴的研究领域，如何让机器学习模型在保护用户隐私的前提下删除某些数据集的贡献是一个重要问题。本文旨在系统分类各种机器遗忘方法，并讨论它们的差异、联系和开放问题。

本文将机器遗忘方法分为四个场景：集中式遗忘、分布式和不规则数据遗忘、遗忘验证以及遗忘中的隐私和安全问题。其中，集中式遗忘是主要的领域，被分为精确遗忘和近似遗忘两种类型，并提供了详细的技术介绍。此外，本文还介绍了联合遗忘和图遗忘两个代表性的分布式和不规则数据遗忘方向。

本文系统分类了各种机器遗忘方法，并讨论了它们的差异、联系和开放问题。此外，本文还介绍了联合遗忘和图遗忘两个代表性的分布式和不规则数据遗忘方向。最后，本文还讨论了各种遗忘场景的挑战，并提出了潜在的研究方向。

最近的相关研究包括：1. 'Machine unlearning with a verified correctness guarantee'；2. 'Unlearning for privacy: a survey'；3. 'Federated machine unlearning with heterogeneous data'。