Minimax Гауссианские механизмы непрерывного отказа от обучения машин

arXiv: 2610.11628v1 Annuales Type: New Humber Abstractive: Machine Untening обновляет подготовленную модель после удаления записей, с тем чтобы соответствовать точной переподготовке без повторения всей процедуры обучения. Мы разрабатываем гауссианские механизмы обновления Ньютона в рамках последовательной просьбы об исключении. Используя гаусскую дифференциальность (ВВП) и ее адаптивное правило состава, мы показываем, что вся последовательность выпущенных моделей статистически трудно отличить от соответствующей точной переподготовки. Для калибровки этих механизмов для сведения к минимуму эмпирического риска мы вычисляем верхние границы погрешности Ньютона относительно точной переподготовки и как эта ошибка изменяется после каждой партии исключения. Независимый гаусский шум калибруется с использованием пределов на всех остаточных значениях при каждом выпуске, в то время как Гауссианский случайный звук для ходьбы использует более мелкие границы при остаточном увеличении. Эти границы позволяют свести к минимуму максимальную разницу в уровне шума между выбросами, создаваемыми сертификацией ВВП