Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
certified-unlearning-neural-networks-icml-2025 — Code pour l'article Certified Unlearning for Neural Networks, ICML 2025 | Kitploit
Outils/GitHubGitHub/stair-lab/certified-unlearning-neural-networks-icml-2025
Protection de la Vie PrivéeArticles et RechercheSécurité de l'IA
GitHubstair-lab/certified-unlearning-neural-networks-icml-2025

certified-unlearning-neural-networks-icml-2025

Code pour l'article Certified Unlearning for Neural Networks, ICML 2025

Voir le dépôt
Partager
12642il y a 1 anPas encore vérifié

Certified Unlearning for Neural Networks

Ce dépôt contient l'implémentation de l'article « Certified Unlearning for Neural Networks » (ICML 2025).

Methods

  • PABI (Privacy Amplification by Iteration) : Gradient Clipping dans l'article
  • DP-SGD : Avec confidentialité de groupe comme décrit dans l'article
  • Contractive Coefficients : Model Clipping dans l'article
  • DP-Baseline : Output Perturbation dans l'article
  • Retrain

Installation

# Clone the repository
git clone https://github.com/stair-lab/certified-unlearning-neural-networks-icml-2025.git
cd certified-unlearning-neural-networks-icml-2025

# alternatively use conda
python -m venv venv
source venv/bin/activate

pip install -r requirements.txt

Project Structure

.
├── src/
│   ├── data/
│   │   ├── base_datamodule.py     # Base data loading functionality
│   │   ├── cifar_dataset.py       # CIFAR-10/100 data loaders
│   │   ├── mnist_dataset.py       # MNIST data loader
│   │   └── datamodule.py          # Data module factory
│   ├── models/
│   │   ├── model.py               # Model factory
│   │   ├── tiny_net.py             
│   │   └── two_layer_net.py        
│   ├── training/
│   │   └── trainer.py             # Main training/unlearning logic
│   └── utils/
│       ├── dp.py                  
│       └── utils.py               
├── experiment.py                  # Main experiment runner
├── run_exp.py                     # Multi-GPU experiment launcher
├── feature_extractor.py           # Extract ResNet-18 backbone features 

Experiment Configurations

Le dépôt comprend des expériences préconfigurées dans les répertoires suivants :

  • budget_curve_runs/ : Expériences d'analyse du budget de confidentialité - Figure 1
  • convergence_curve_runs/ : Expériences d'analyse de convergence - Figure 2
  • dp_sgd_runs/ : Expériences DP-SGD et de référence - Figure 3
  • eps_sweep_runs/ : Expériences de balayage du paramètre de confidentialité (ε) - Figure 4 (en annexe)

Usage

Exécuter une expérience unique

Pour exécuter une expérience unique avec une configuration spécifique :

python experiment.py --config dp_sgd_runs/dp-sgd-cifar10-fc/1tmh6p2f_config.yaml

Exécuter plusieurs expériences

Pour exécuter plusieurs expériences en parallèle sur plusieurs GPU :

python run_exp.py -n <num_gpus> -e <experiment_dir> [--offset <gpu_offset>] [-j <jobs_per_gpu>]

Paramètres :

  • -n : Nombre de GPU à utiliser
  • -e : Répertoire contenant les configurations des expériences
  • --offset : Décalage d'index GPU (défaut : 0)
  • -j : Nombre de tâches concurrentes par GPU (défaut : 1)

Extraction de caractéristiques

Pour les expériences d'apprentissage par transfert

python feature_extractor.py

Ce script extrait les caractéristiques ResNet-18 de CIFAR-10/100 et les enregistre pour une utilisation avec les configurations de jeu de données cifar10_feature et cifar100_feature.

Citation

Si vous utilisez ce code dans vos recherches, veuillez citer :

@article{koloskova2025certified,
  title={Certified Unlearning for Neural Networks},
  author={Koloskova, Anastasia and Allouah, Youssef and Jha, Animesh and Guerraoui, Rachid and Koyejo, Sanmi},
  journal={arXiv preprint arXiv:2506.06985},
  year={2025}
}
Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    867
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    544
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    385
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    360
  • 5

    looking-glass

    anonghosty/looking-glass

    Plateforme CSIRT qui ingère les rapports Shadowserver dans MongoDB et les rejoue sous forme de cartes interactives, d'analyses, de constats, d'avis et de tableaux de bord exécutifs.

    302
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    279

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →