Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
certified-unlearning-neural-networks-icml-2025 — Код для статьи Certified Unlearning for Neural Networks, ICML 2025 | Kitploit
Инструменты/GitHubGitHub/stair-lab/certified-unlearning-neural-networks-icml-2025
КонфиденциальностьСтатьи и ИсследованияБезопасность ИИ
GitHubstair-lab/certified-unlearning-neural-networks-icml-2025

certified-unlearning-neural-networks-icml-2025

Код для статьи Certified Unlearning for Neural Networks, ICML 2025

Репозиторий
Поделиться
126421 год назадЕщё не проверено

Сертифицированное разобучение для нейронных сетей

Этот репозиторий содержит реализацию для статьи «Certified Unlearning for Neural Networks» (ICML 2025).

Методы

  • PABI (Privacy Amplification by Iteration): Gradient Clipping в статье
  • DP-SGD: С групповой конфиденциальностью, как описано в статье
  • Contractive Coefficients: Model Clipping в статье
  • DP-Baseline: Output Perturbation в статье
  • Повторное обучение

Установка

# 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

Структура проекта

.
├── 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 

Конфигурации экспериментов

Репозиторий включает предварительно настроенные эксперименты в следующих каталогах:

  • budget_curve_runs/: эксперименты по анализу бюджета конфиденциальности - Рисунок 1
  • convergence_curve_runs/: эксперименты по анализу сходимости - Рисунок 2
  • dp_sgd_runs/: эксперименты DP-SGD и базовые эксперименты - Рисунок 3
  • eps_sweep_runs/: эксперименты с перебором параметра конфиденциальности (ε) - Рисунок 4 (в Приложении)

Использование

Запуск одного эксперимента

Для запуска одного эксперимента с конкретной конфигурацией:

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

Запуск нескольких экспериментов

Для запуска нескольких экспериментов параллельно на нескольких GPU:

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

Параметры:

  • -n: количество используемых GPU
  • -e: каталог, содержащий конфигурации экспериментов
  • --offset: смещение индекса GPU (по умолчанию: 0)
  • -j: количество одновременных задач на GPU (по умолчанию: 1)

Извлечение признаков

Для экспериментов по трансферному обучению:

python feature_extractor.py

Этот скрипт извлекает признаки ResNet-18 из CIFAR-10/100 и сохраняет их для использования с конфигурациями наборов данных cifar10_feature и cifar100_feature.

Цитирование

Если вы используете этот код в своих исследованиях, пожалуйста, цитируйте:

@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}
}
Скачать инструмент

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Полный набор инструментов OSINT: граф расследования, оценка достоверности, семейства псевдонимов, карта, временная шкала и отчёты. 49 модулей, более 400 сайтов, API-ключи не требуются.

    867
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Приложение GhostLock с запуском в один клик (CVE-2026-43499)

    544
  • 3

    ARTEX

    baarai/artex

    Платформа автономного тестирования на проникновение на основе мультиагентной LLM с агентами-планировщиками и агентами-исполнителями, графами активов и исследования, записью MITM-трафика и повторной проверкой уязвимостей.

    385
  • 4

    redforge

    cybersecurity91/redforge

    Браузерный инструментарий для red team с 102 офлайн-инструментами для разведки, генерации полезной нагрузки, атак на учётные данные, криптографии, кодирования и отчётности по проектам.

    360
  • 5

    looking-glass

    anonghosty/looking-glass

    Платформа CSIRT, которая загружает отчёты Shadowserver в MongoDB и воспроизводит их в виде интерактивных карт, аналитики, результатов, рекомендаций и исполнительных дашбордов.

    302
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Система действий для кибербезопасности на базе ИИ — где намерение превращается в управляемое исполнение, доказательства становятся оперативной памятью, а каждая операция улучшает следующую.

    279

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →