Jul 17, 2026 · Apple
When Unlearning Is Free: Leveraging Low Influence Points to Reduce Computational Costs
Apple 机器学习研究团队于 2026 年 7 月 17 日发布研究，探讨在机器学习的遗忘（unlearning）任务中，对模型输出影响可忽略的训练数据点是否无需移除。研究通过跨语言和视觉任务的影响函数比较分析，识别出对模型输出影响可忽略的训练数据子集。
EVENT STORY
Development
- First ReportWhen Unlearning Is Free: Leveraging Low Influence Points to Reduce Computational CostsApple Machine Learning Research
- Current Assessment该研究可能影响机器学习隐私保护领域的实践，为数据遗忘提供更高效的方法，但尚需进一步验证其在不同模型和任务上的适用性。Agent Pulse · analysis
Apple 机器学习研究团队于 2026 年 7 月 17 日发布研究，探讨在机器学习的遗忘（unlearning）任务中，对模型输出影响可忽略的训练数据点是否无需移除。研究通过跨语言和视觉任务的影响函数比较分析，识别出对模型输出影响可忽略的训练数据子集。
该研究挑战了现有遗忘方法将遗忘集中所有数据点同等对待的假设，提出低影响点可能无需移除。通过影响函数分析，识别出对模型输出影响可忽略的训练数据子集，可能降低遗忘的计算成本。
该研究可能影响机器学习隐私保护领域的实践，为数据遗忘提供更高效的方法，但尚需进一步验证其在不同模型和任务上的适用性。
该研究可能降低数据遗忘的计算成本，对需要满足数据隐私法规的企业具有潜在价值，但尚处于研究阶段。
未来可能看到基于低影响点识别的遗忘方法在实际系统中应用，但需关注其在不同模型和任务上的泛化能力。