Aug 13, 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 8 月 13 日发布研究，探讨在机器学习的遗忘（unlearning）任务中，是否必须移除对模型学习影响可忽略的数据点。通过跨语言和视觉任务的影响函数比较分析，他们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该研究可能推动更高效的模型遗忘方法，降低数据删除请求的处理成本，对隐私合规和模型更新有潜在价值。Agent Pulse · analysis
Apple 机器学习研究团队于 2026 年 8 月 13 日发布研究，探讨在机器学习的遗忘（unlearning）任务中，是否必须移除对模型学习影响可忽略的数据点。通过跨语言和视觉任务的影响函数比较分析，他们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所有遗忘集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，这可能降低遗忘的计算成本。
该研究可能推动更高效的模型遗忘方法，降低数据删除请求的处理成本，对隐私合规和模型更新有潜在价值。
对于提供模型服务的公司，更高效的遗忘方法可降低合规成本，提升响应数据删除请求的效率。
后续可关注该方法的实际应用效果，以及是否被集成到主流机器学习框架中。