买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖南大学申请的专利一种基于GAN的遗忘衡量模型及其工作方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116822590B 。

龙图腾网通过国家知识产权局官网在2026-05-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310739381.4，技术领域涉及：G06N3/0475；该发明授权一种基于GAN的遗忘衡量模型及其工作方法是由左知微;唐卓;李肯立;肖雄;向婷;刘梦涵设计研发完成，并于2023-06-21向国家知识产权局提交的专利申请。

本一种基于GAN的遗忘衡量模型及其工作方法在说明书摘要公布了：本发明公开了一种基于GAN的遗忘衡量模型，包括依次连接的自编码器、使用训练集训练ResNet18得到的原始模型、以及在原始模型上应用遗忘策略之后得到的遗忘模型，自编码器包含一个编码器和一个解码器，编码器的第一层是二维卷积层，输入的通道数为3，输出通道数为64。卷积核的大小为3x3，步长为1，填充为1。激活函数为LeakyReLU，当输入值小于0，将输出设置为输入值的0.2倍，第二层是二维卷积层，输入的通道数为64，输出的通道数为128。卷积核的大小为4x4，步长为2。本发明能够解决现有遗忘衡量模型存在的准确率、召回率并不能精确地衡量特定数据被遗忘后，模型对该数据的处理能力是否完全消除，现有指标无法精确衡量模型对以往数据的处理能力的变化的技术问题。

本发明授权一种基于GAN的遗忘衡量模型及其工作方法在权利要求书中公布了：1.一种基于GAN的遗忘衡量模型的工作方法，该基于GAN的遗忘衡量模型包括依次连接的自编码器、使用训练集训练ResNet18得到的原始模型、以及在原始模型上应用遗忘策略之后得到的遗忘模型三个部分，自编码器包含一个编码器和一个解码器，编码器的结构如下： 第一层是二维卷积层，输入的通道数为3，对应RGB颜色通道，输出通道数为64；卷积核的大小为3x3，步长为1，填充为1；激活函数为LeakyReLU，当输入值小于0，将输出设置为输入值的0.2倍； 第二层是二维卷积层，输入的通道数为64，输出的通道数为128；卷积核的大小为4x4，步长为2，填充为1； 第三层是二维批量归一化层，输入的通道数为128，激活函数为LeakyReLU，输出通道数为128，用于对128个特征图进行归一化； 第四层是二维卷积层，输入通道数为128，输出通道数为256；卷积核大小为4x4，步长为2，填充为1； 第五层是二维批量归一化层，输入的通道数为256，激活函数为LeakyReLU，输出通道数为256，用于对256个特征图进行归一化； 解码器的具体结构如下： 第一层是二维转置卷积层，输入的通道数为256，输出的通道数为128；卷积核的大小为4x4，步长为2，填充为1，用于增加特征图的尺寸； 第二层是二维批量归一化层，输入通道为128，激活函数为ReLU，输出通道为128，用于对128个特征图进行归一化； 第三层是二维转置卷积层，输入通道数为128，输出通道数为64；卷积核的大小为4x4，步长为2，填充为1； 第四层是二维批量归一化层，输入通道数为64，激活函数为ReLU，输出通道为64，用于对64个特征图进行归一化； 第五层是二维卷积层，输入通道数为64，输出通道数为3；卷积核的大小为3x3，步长为1，填充为1； 其特征在于，所述工作方法包括如下步骤： 1获取图像数据集，将该图像数据集划分为训练集和测试集，使用训练集对ResNet18模型进行训练以得到原始模型，并将训练集按照8:2的比例将其划分为剩余数据集和遗忘数据集； 2先后使用Random-K，Top-K，EU-K和CF-K遗忘策略对步骤1得到的原始模型中的参数进行轻微扰动，以得到遗忘模型；使用步骤1得到的剩余数据集对该遗忘模型进行训练，以得到训练好的遗忘模型； 3将步骤1得到的原始模型和步骤2训练好的遗忘模型进行组合，以得到联合判别器，使用基于GAN的遗忘衡量模型对该联合判别器进行训练，以得到生成器； 4将步骤1得到的遗忘数据集输入步骤3得到的生成器，从而为该遗忘数据集中的遗忘数据生成噪声数据，将生成的噪声数据添加到遗忘数据中，以得到对应的对抗遗忘样本，并将该对抗遗忘样本输入步骤2得到的遗忘模型中，以得到遗忘模型在对抗遗忘样本上的性能与该遗忘模型在遗忘数据集上的性能之间的差异，进而衡量机器遗忘效果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。