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}
}