–®—Ç–Æ—Ä–º! –Í–Æ–Π! –Í–Μ—Ç—Ä–∞ –°–≤–∏—Å—Ç!
当“糟糕”的数据被吸引到机器学习系统时 - 这就是艾伦格林斯潘在讨论未能预测2008年经济衰退的计算机模型时所说的 - 这些信息很难被删除。但是，分别由哥伦比亚大学和利哈伊大学的计算机科学家杨俊峰和李银之提出的一个新概念将学习的想法带到了计算机上。正如Cao和Yang在2015年IEEE Xplore会议上发表的摘要中所写，你不必一直回到原点忘记：
为了忘记训练数据样本，我们的方法只是简单地更新少量的求和 - 渐近地比从头重新训练更快。我们的方法是通用的，因为求和形式来自统计查询学习，其中可以实现许多机器学习算法。我们的方法也适用于机器学习的所有阶段，包括特征选择和建模。我们对四种不同的学习系统和实际工作负载的评估表明，我们的方法是通用的，有效的，快速的，易于使用的。
机器学习的概念建立在由土墩和大量信息构建的基础之上。这可以帮助教授机器人或人工智能以建立某种联系 - 例如，如果穿着厚重外套的人挥舞着斧头，他或她可能是消防员。但是在这些培训课程中，可能会出现基于数据集的错误连接。你的机器人可能会认为所有消防员都有胡须。显然，这是你想要一台电脑的东西 unthink.
Cao和Yang将这种关于机器人信息解耦的想法建立在数据沿袭的概念上 - 数据并没有完全形成于世界，而是随着原始数据的处理而具有可追溯的历史。 Kurzweil A.I 。利用该血统可以让机器忘记数据的选择部分，而不必完全消除他们的教育。