Desaprendizagem Certificada para Redes Neurais

Este repositório contém a implementação do artigo "Certified Unlearning for Neural Networks" (ICML 2025).

Métodos

• PABI (Amplificação de Privacidade por Iteração): Gradient Clipping no artigo
• DP-SGD: Com privacidade de grupo conforme descrito no artigo
• Coeficientes Contrativos: Model Clipping no artigo
• Baseline-DP: Output Perturbation no artigo
• Retreino

Instalação

# 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

Estrutura do Projeto

.
├── 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 

Configurações de Experimento

O repositório inclui experimentos pré-configurados nos seguintes diretórios:

• budget_curve_runs/: Experimentos de análise de orçamento de privacidade - Figura 1
• convergence_curve_runs/: Experimentos de análise de convergência - Figura 2
• dp_sgd_runs/: Experimentos DP-SGD e baseline - Figura 3
• eps_sweep_runs/: Experimentos de varredura do parâmetro de privacidade (ε) - Figura 4 (no Apêndice)

Uso

Executando um Único Experimento

Para executar um único experimento com uma configuração específica:

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

Executando Múltiplos Experimentos

Para executar múltiplos experimentos em paralelo em GPUs:

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

Parâmetros:

• -n: Número de GPUs a usar
• -e: Diretório contendo configurações de experimento
• --offset: Deslocamento do índice da GPU (padrão: 0)
• -j: Número de trabalhos simultâneos por GPU (padrão: 1)

Extração de Características

Para experimentos de aprendizado por transferência

python feature_extractor.py

Isso extrai características do ResNet-18 dos CIFAR-10/100 e as salva para uso com as configurações de dataset cifar10_feature e cifar100_feature.

Citação

Se você usar este código em sua pesquisa, por favor cite:

@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}
}