面向多类遗忘的模型加噪隐私保护方案

摘要

针对人工智能大模型隐私保护中多类遗忘时间开销大、效率低的问题，提出一种面向多类遗忘的子模型加噪隐私保护方案。将原始数据集分割为多个子数据集后训练子模型并聚合生成预训练模型；基于遗忘类数据集学习构建损失最大化噪声矩阵，结合保留类的部分数据集对模型参数进行单个训练周期的损害，使用保留类的部分数据集对模型进行修复。实验结果表明，提出的方案在确保模型对保留类数据集分类准确率的基础上，不仅实现了多类遗忘，还显著降低了时间开销、提高了遗忘效率。

关键词

人工智能大模型 / 隐私保护 / 多类遗忘 / 噪声矩阵