学位论文简介

为保障用户被遗忘权，从已训练模型中消除部分用户数据影响，围绕深度学习遗忘算法设计以及遗忘程度衡量、动态类增量学习与遗忘和在联邦遗忘三个方面展开工作，本文的主要工作如下：

(1) 遗忘算法和遗忘程度衡量上，针对现有基于参数扰动的非精准遗忘扰动范围大的问题，提出了两种基于细粒度参数扰动的机器遗忘方法，以最小参数扰动个数完成机器遗忘。同时，针对现有的衡量指标缺乏对遗忘程度的量化方式，提出了一种新颖的基于生成式对抗网络扰动遗忘数据分布的方式对实施遗忘前后模型的性能进行衡量，从而表征遗忘程度。

(2) 动态类增量学习与遗忘上，提出基于向量数据库的类增量学习和机器遗忘框架eCIL-MU，通过对嵌入向量的保存与迁移，以修改数据而非修改模型的方式完成类增量学习和机器遗忘。在此基础上，进一步研究了基于正则化的框架rCIL-MU，通过梯度近似参数重要性的方式进行有机结合，实现样本级别遗忘。

(3) 联邦遗忘中，提出了一种基于投影梯度与数据蒸馏的联邦遗忘算法。通过对模型参数进行约束完成遗忘，并对由此产生的模型复原问题，提出基于投影梯度的后训练方法，从而在遗忘过程中同时实现遗忘效率和模型性能的平衡。考虑到传统遗忘方法通常需要依赖完整数据集，引入了数据蒸馏技术，以显著降低计算开销，进而加速遗忘过程。

主要学术成果

[1] Zhiwei Zuo, Zhuo Tang, Kenli Li, Anwitaman Datta. Machine Unlearning through Fine-grained Model Weights Perturbation [J]. IEEE Transactions on Knowledge and Data Engineering, IEEE,2025:1975-1988 (CCF A类/SCI一区期刊，第一作者)

[2] Zhiwei Zuo, Zhuo Tang, Bin Wang, Anwitaman Datta. ECIL-MU: Embedding Based Class Incremental Learning and Machine Unlearning[C]//ICASSP 2024-2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2024: 6275-6279. (CCF B类会议，第一作者)

[3] Zhiwei Zuo, Qianqian Cai, Zhuo Tang, Jungang Ji. A Validation Approach for the Lipschitz Constant for Neural Networks[C]// 2022 IEEE International Conference on High Performance Computing and Communications. IEEE, 2022: 863-869.(CCF C类会议，第一作者)

[4] Debin Deng, Zhiwei Zuo*, Xiong Xiao, Zhuo Tang. Policy Gradient-based Text Adversarial Attack against Deep Learning Classifiers. Wiley, ETRI Journal (SCI 四区，通讯作者)

[5] Zhang Chen, Tang Zhuo, Zuo Zhiwei, et al. A robust generative classifier against transfer attacks based on variational auto-encoders [J]. Information Sciences, 2021, 550: 57-70. Elsevier Information Sciences (SCI 一区期刊，第三作者)

[6] 左知微、唐卓、李肯立、肖雄、向婷、刘梦涵； 一种基于GAN的遗忘衡量模型及其工作方法. 专利号: CN202310739381.4 (实审)