Suche nach Machine Unlearning

Agentisches Auslernen: LLM-Agenten treffen maschinelles Auslernen

In einer bahnbrechenden Veröffentlichung auf arXiv wird das Konzept des agentischen Auslernens vorgestellt, das gezielt sensible Informatio…

arXiv – cs.AI 23.02.2026 05:00

Forschung

Neue Methode für stabiles Machine Unlearning dank statistischer Roughness

In der KI-Welt wird Machine Unlearning immer wichtiger, wenn Modelle gezielt bestimmte Datenpunkte „vergessen“ sollen, ohne dabei ihre Leis…

arXiv – cs.LG 11.02.2026 05:00

Forschung

REBEL: Evolutionäre Methode entdeckt versteckte Wissensreste in LLMs

Die Forschung zum „Machine Unlearning“ für große Sprachmodelle (LLMs) hat ein neues Problem ans Licht gebracht: Die gängigen Evaluationsmet…

arXiv – cs.LG 09.02.2026 05:00

Forschung

Gradient Ascent? Nicht mehr nötig – neue Methode für ML‑Unlearning

Im Zeitalter ethischer KI gewinnt das Konzept des Machine Unlearning immer mehr an Bedeutung. Ziel ist es, sensible, private oder urheberre…

arXiv – cs.LG 09.02.2026 05:00

Forschung

Machine Unlearning: Unsichtbare Gefahr durch Restwissen

Machine Unlearning bietet eine praktische Alternative zum vollständigen Neu‑Training von Modellen, indem es den Einfluss bestimmter Nutzerd…

arXiv – cs.LG 02.02.2026 05:00

Forschung

GRIP: Geometrische Routerbeschränkung für Unlearning bei Mixture-of-Experts

Die Sicherheit großer Sprachmodelle hängt zunehmend von der Fähigkeit ab, gezielt Wissen zu löschen – ein Prozess, der als Machine Unlearni…

arXiv – cs.LG 26.01.2026 05:00

Forschung

Quantum Machine Unlearning: Zielgerichtete, kontrollierte Vergessen-Strategie

In der Welt der Quanten-KI wird das Konzept des „Machine Unlearning“ immer wichtiger: Man möchte den Einfluss bestimmter Trainingsdaten aus…

arXiv – cs.LG 09.01.2026 05:00

Forschung

Machine Unlearning erhöht Datenschutzrisiken: Dual-View Angriff enthüllt

Die neu aufgelegene Technik des Machine Unlearning, die es ermöglicht, bestimmte Trainingsdaten aus einem bereits trainierten Modell zu ent…

arXiv – cs.LG 19.12.2025 05:00

Forschung

<p>Neues Framework für kontinuierliches Unlernen in Text‑zu‑Bild‑Modellen</p> <p>Die rasante Entwicklung von visuellen Generativmodellen, die auf riesigen Web‑Datensätzen trainiert werden, steht zunehmend im Widerspruch zu Datenschutzbestimmungen wie der DSGVO und Urheberrechtsgesetzen. Um bestimmte Inhalte ohne den enormen Aufwand eines vollständigen Neu‑Trainings zu entfernen, wird sogenanntes Machine Unlearning (MU) benötigt. Bisherige MU‑Methoden sind jedoch nicht für die reale Situation geeignet, in de

arXiv – cs.LG 03.12.2025 05:00

Forschung

Teleportation-Defensive Technik schützt Privatsphäre bei Unlearning

Approximate Machine Unlearning ist ein vielversprechender Ansatz, um gezielt den Einfluss einzelner Datenpunkte aus einem trainierten Model…

arXiv – cs.LG 02.12.2025 05:00

Forschung

Effektives Machine Unlearning: KUnBR entfernt schädliches Wissen zuverlässig

In der Welt der großen Sprachmodelle (LLMs) gewinnt das gezielte „Machine Unlearning“ immer mehr an Bedeutung. Dabei soll schädliches Wisse…

arXiv – cs.LG 18.11.2025 05:00

Forschung

LLMs können endlich vergessen: Fortschritte im sicheren Machine Unlearning

Die zunehmende Nutzung großer Sprachmodelle in sensiblen Bereichen hat ein entscheidendes Problem aufgedeckt: Es fehlt an zuverlässigen Ver…

arXiv – cs.LG 14.11.2025 05:00

Forschung

FiCABU: Kontext‑angepasstes Unlearning für Edge‑AI – effizient und praktisch

Die wachsende Nachfrage nach Machine‑Unlearning, ausgelöst durch Datenschutzgesetze und das „Recht auf Vergessen“, trifft besonders auf Edg…

arXiv – cs.LG 11.11.2025 05:00

Forschung

Hierarchisches Federated Unlearning für große Sprachmodelle

In einer Zeit, in der große Sprachmodelle (LLMs) immer stärker in reale Anwendungen integriert werden, wächst die Sorge um Datenschutz, Sic…

arXiv – cs.LG 22.10.2025 05:00

Forschung

MobText‑SISA: Unlearning für Mobilitätsdaten mit Ort‑Zeit‑ und Sprachdaten

Ein brandneues Framework namens MobText‑SISA wurde vorgestellt, das das Problem des „Machine Unlearning“ für Mobilitätsdaten löst. Moderne…

arXiv – cs.LG 28.08.2025 05:00

Forschung

Datenaugmentation verbessert maschinelles Unlearning deutlich

Maschinelles Unlearning (MU) zielt darauf ab, den Einfluss bestimmter Daten aus einem bereits trainierten Modell zu entfernen, ohne die Lei…

arXiv – cs.LG 27.08.2025 05:00

Forschung

Audit von Approx. Machine Unlearning: DP-Modelle im Fokus

Forscher haben ein neues Verfahren entwickelt, um die Privatsphäre von Modellen, die mit Differential Privacy (DP) trainiert wurden, nach d…

arXiv – cs.LG 27.08.2025 05:00

Forschung

Metamorphosis Representation Projection: Unlearning für sichere LLMs

Die Sicherheit großer Sprachmodelle (LLMs) wird zunehmend kritisch, weil sie potenziell gefährliches Wissen intern speichern können. Um die…

arXiv – cs.LG 22.08.2025 05:00

Forschung

Source‑Free Machine Unlearning: Effizientes Löschen ohne Originaldaten

Mit dem rasanten Ausbau von KI-Systemen und strengeren Datenschutzbestimmungen wird das gezielte Entfernen von privaten oder urheberrechtli…

arXiv – cs.LG 22.08.2025 05:00

Finde Modelle, Firmen und Themen

Agentisches Auslernen: LLM-Agenten treffen maschinelles Auslernen

Neue Methode für stabiles Machine Unlearning dank statistischer Roughness

REBEL: Evolutionäre Methode entdeckt versteckte Wissensreste in LLMs

Gradient Ascent? Nicht mehr nötig – neue Methode für ML‑Unlearning

Machine Unlearning: Unsichtbare Gefahr durch Restwissen

GRIP: Geometrische Routerbeschränkung für Unlearning bei Mixture-of-Experts

Quantum Machine Unlearning: Zielgerichtete, kontrollierte Vergessen-Strategie

Machine Unlearning erhöht Datenschutzrisiken: Dual-View Angriff enthüllt

Teleportation-Defensive Technik schützt Privatsphäre bei Unlearning

Effektives Machine Unlearning: KUnBR entfernt schädliches Wissen zuverlässig

LLMs können endlich vergessen: Fortschritte im sicheren Machine Unlearning

FiCABU: Kontext‑angepasstes Unlearning für Edge‑AI – effizient und praktisch

Hierarchisches Federated Unlearning für große Sprachmodelle

MobText‑SISA: Unlearning für Mobilitätsdaten mit Ort‑Zeit‑ und Sprachdaten

Datenaugmentation verbessert maschinelles Unlearning deutlich

Audit von Approx. Machine Unlearning: DP-Modelle im Fokus

Metamorphosis Representation Projection: Unlearning für sichere LLMs

Source‑Free Machine Unlearning: Effizientes Löschen ohne Originaldaten

🍪 Cookie-Einstellungen