Machine Unlearning

Machine unlearning is an emerging subfield of machine learning that focuses on removing the influence of a specific subset of training data from a trained model. As models ingest vast amounts of information, the ability to selectively "forget" data has become crucial. This process allows developers to extract specific data points without having to retrain the entire architecture from scratch, saving significant time and computational overhead.

Bu teknolojinin arkasındaki temel itici güç Veri Gizliliğidir. Katı veri koruma düzenlemelerinin ve GDPR'nin Unutulma Hakkı gibi zorunlulukların ortaya çıkmasıyla birlikte, kullanıcılar kişisel bilgilerinin silinmesini talep etme yasal hakkına sahiptir. Makine öğrenmesini unutturma, bu verileri derin öğrenme modellerinden güvenli bir şekilde temizlemek için bir yol sunar ve genel model faydasını korurken uyumluluğu sağlar.

Link to this sectionMakine Öğrenmesini Unutturma Nasıl Çalışır?#

Geleneksel gradyan inişi mekanizmaları, eğitim verilerini bir ağın ağırlıklarıyla derinlemesine iç içe geçirir. Bu nedenle, orijinal görüntü veya metin dosyasını bir veritabanından silmek, öğrenilmiş kalıpları modelin kendisinden kaldırmaz. Makine öğrenmesini unutturma teknikleri genellikle iki kategoriye ayrılır: kesin unutturma ve yaklaşık unutturma. Kesin unutturma, nihai modelin unutulan veriler olmadan eğitilmiş bir modelle istatistiksel olarak aynı olduğunu garanti eder ve bu genellikle akıllı veri kümesi bölümlendirme ile elde edilir. Verimli unutturma algoritmaları üzerine yapılan güncel çalışmalarda sıkça tartışılan yaklaşık unutturma ise, modelin parametrelerini ayarlamak ve hedef verilerin etkisini geriye dönük olarak maskelemek için matematiksel müdahaleler kullanır.

Makine öğrenmesini unutturmayı Sürekli Öğrenmeden ayırmak önemlidir. Sürekli öğrenme, yıkıcı unutma yaşamadan yeni bilgileri sıralı bir şekilde eklemeyi amaçlarken, unutturma bilginin kasıtlı ve hedeflenmiş bir şekilde kaldırılmasıdır. Algoritmik adalete odaklanan kuruluşlar da, eğitim sonrası zararlı veya taraflı verileri temizleyerek Yapay Zekadaki Önyargıyı düzeltmek için unutturmayı kullanır.

Link to this sectionGerçek Dünya Uygulamaları#

Unutturma algoritmaları, teorik Yapay Zeka güvenliği araştırmalarından çeşitli endüstrilerde pratik uygulamaya hızla geçiş yapmıştır.

• Sağlık ve Tıbbi Görüntüleme: Tıbbi görüntü analizinde, hasta onayı her an geri çekilebilir. Bir hasta röntgenlerinin geri çekilmesini talep ederse, hastaneler sistemin diğer hastalar için hastalıkları tespit etme yeteneğinden ödün vermeden, belirli fizyolojik kalıplarını bir tanı modelinden çıkarmak için unutturmayı kullanabilir.
• Surveillance and Security: In modern smart surveillance systems, cameras may inadvertently capture personal identifying information (PII) like license plates or faces. Unlearning allows developers to retroactively remove this specific PII from a deployed computer vision model to comply with privacy-preserving AI techniques.

Link to this sectionUnutturma Stratejilerini Uygulama#

Doğrudan, tek adımlı unutturma API'leri makine öğrenmesini unutturma yarışmaları içinde hala aktif bir araştırma alanı olsa da, uygulayıcılar genellikle sterilize edilmiş bir veri kümesi hazırlayıp hızlı bir yeniden eğitim döngüsü başlatarak kesin bir unutturma temeli elde ederler. Bulut tabanlı veri yönetimi için Ultralytics Platformunu kullanırken, iptal edilen verileri hariç tutmak için bir veri kümesini kolayca sürümleyebilirsiniz.

Aşağıda, Ultralytics YOLO26 modelini sterilize edilmiş bir veri kümesi üzerinde yeniden eğiterek unutturmaya yönelik temel yaklaşımı gösteren kısa bir Python örneği bulunmaktadır:

from ultralytics import YOLO

# Load an existing, pre-trained Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Naive exact unlearning: perform efficient retraining on a sanitized dataset.
# The 'sanitized_data.yaml' excludes the specific sensitive data to be "unlearned"
results = model.train(data="sanitized_data.yaml", epochs=50, device="cuda")

Model optimizasyonu ve sinir ağlarında sağlamlık talebi arttıkça, unutturma standart bir gereklilik haline geliyor. İster karmaşık görüntü sınıflandırma hatlarını yönetiyor olun, ister modelleri uç cihazlara dağıtıyor olun, verileri sorumlu bir şekilde unutmak için mekanizmalar entegre etmek, yapay zeka sistemlerinizin uyumlu, adil ve güvenilir kalmasını sağlar.