Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
certified-unlearning-neural-networks-icml-2025 — Codice per l'articolo Certified Unlearning for Neural Networks, ICML 2025 | Kitploit
Strumenti/GitHubGitHub/stair-lab/certified-unlearning-neural-networks-icml-2025
PrivacyPaper e RicercaSicurezza dell'IA
GitHubstair-lab/certified-unlearning-neural-networks-icml-2025

certified-unlearning-neural-networks-icml-2025

Codice per l'articolo Certified Unlearning for Neural Networks, ICML 2025

Vedi Repository
Condividi
126421 anno faNon ancora revisionato

Unlearning certificato per reti neurali

Questa repository contiene l'implementazione dell'articolo "Certified Unlearning for Neural Networks" (ICML 2025).

Metodi

  • PABI (Privacy Amplification by Iteration): Gradient Clipping nell'articolo
  • DP-SGD: Con privacy di gruppo come descritto nell'articolo
  • Contractive Coefficients: Model Clipping nell'articolo
  • DP-Baseline: Output Perturbation nell'articolo
  • Retrain

Installazione

# 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

Struttura del Progetto

.
├── 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 

Configurazioni degli Esperimenti

La repository include esperimenti preconfigurati nelle seguenti directory:

  • budget_curve_runs/: Esperimenti di analisi del budget di privacy - Figura 1
  • convergence_curve_runs/: Esperimenti di analisi della convergenza - Figura 2
  • dp_sgd_runs/: Esperimenti con DP-SGD e baseline - Figura 3
  • eps_sweep_runs/: Esperimenti di scansione del parametro di privacy (ε) - Figura 4 (in Appendice)

Utilizzo

Esecuzione di un Singolo Esperimento

Per eseguire un singolo esperimento con una configurazione specifica:

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

Esecuzione di Più Esperimenti

Per eseguire più esperimenti in parallelo su più GPU:

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

Parametri:

  • -n: Numero di GPU da utilizzare
  • -e: Directory contenente le configurazioni degli esperimenti
  • --offset: Offset dell'indice GPU (default: 0)
  • -j: Numero di job concorrenti per GPU (default: 1)

Estrazione delle Feature

Per esperimenti di transfer learning

python feature_extractor.py

Questo estrae le feature ResNet-18 da CIFAR-10/100 e le salva per l'uso con le configurazioni di dataset cifar10_feature e cifar100_feature.

Citazione

Se utilizzi questo codice nella tua ricerca, ti preghiamo di citare:

@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}
}
Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    962
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    558
  • 3

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    348
  • 4

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    344
  • 5

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    324
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    297

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →