一种基于神经元重要性的神经网络选择性遗忘学习方法

本发明公开了一种基于神经元重要性的神经网络选择性遗忘学习方法，该方法包括神经元重要性评估、参数掩码的生成、随机标签遗忘过程和模型微调，具体为：将模型对遗忘样本的记忆值分配到神经元中，以评估神经元对遗忘数据集的重要性；并将记忆值大于特定阈值的神经元掩码设置为1，反之掩码设置为0；随机设置遗忘数据集中样本的标签，使用随机梯度下降方法更新掩码为1的神经元参数；最后使用保留数据集对模型参数进行全局微调，得到最终的遗忘模型。本发明提出一种面向图像分类任务的神经元粒度的选择性遗忘学习方法，通过在卷积神经网络中实现特征层级的遗忘，保证遗忘效果和原始任务性能的同时，缩减了近似遗忘和精确遗忘之间的差距。