Neural Machine Unlearning for Privacy-Preserving Information Retrieval: Novel Methods and Corrective Mechanisms PhD

该博士项目致力于解决神经信息检索（NIR）系统中的机器遗忘问题——即在保持模型性能的同时，使其能够选择性地遗忘特定数据。随着基于BERT等搜索模型的NIR系统日益普及，出于隐私法规和数据准确性考虑，迫切需要移除过时、错误或敏感信息。然而，当前的NIR模型尚缺乏在不损害检索质量的前提下有效删除数据的方法。 与分类任务不同，检索场景下的遗忘更具挑战性：因为删除一条信息可能影响大量查询-文档关系，进而扭曲搜索结果，甚至引起对已删除内容的反向关注。现有的遗忘方法在此类任务中效果不佳，因其并未针对排序和相关性评分机制进行设计。 本项目旨在： 1）开发适用于NIR的新颖遗忘方法，在移除特定数据的同时不影响保留数据上的性能； 2）构建评估框架，衡量模型在遗忘程度、有用知识保留以及排序质量维持方面的表现； 3）设计机制，用相关替代信息填补被删除内容，避免检索结果出现空白； 4）研究模型架构与数据类型如何影响遗忘过程，为未来NIR系统设计提供指导。 该项目成果将提升搜索引擎、推荐系统及其他检索应用在隐私保护、准确性和适应性方面的表现。