An Intent-Based Networking Framework for Secure and Privacy-Compliant Machine Unlearning Using Meta-Learning and Redactable Blockchain
Notice bibliographique
Résumé
Intent-Based Networking (IBN) is emerging as a powerful paradigm for managing complex, adaptive systems by translating high-level user policies into automated infrastructure behavior. To meet these intents effectively, especially in dynamic and data-driven environments, IBN increasingly depends on Artificial Intelligence (AI) for intelligent decision-making and task automation. While AI enhances the responsiveness of IBN, it introduces new challenges in data privacy and regulatory compliance—particularly in environments where sensitive personal data is continuously collected and learned. A central issue arises from the Right to Be Forgotten (RTBF) under the General Data Protection Regulation (GDPR), which requires that user data—and its learned influence—be fully removed upon request. However, conventional unlearning methods that rely on full model retraining are resource-intensive and impractical for real-time systems. To address this, this paper proposes an intent-driven machine unlearning framework that integrates meta learning, redactable blockchain, and Secure Multi-Party Computation (MPC), all coordinated through IBN. In this framework, unlearning is formulated as a targeted removal of a data point’s influence from the model without retraining, using implicit gradients. The redactable blockchain ensures compliant and auditable logging, while MPC supports secure, decentralized redaction. IBN orchestrates the process by aligning unlearning actions with privacy intents. Experimental results demonstrate that the proposed framework achieves up to 2.2% higher accuracy than baseline meta-learning approaches and 2.78 times greater unlearning efficiency compared to retraining, while maintaining strong resistance to membership inference attacks. This demonstrates its suitability for scalable, regulation-compliant AI unlearning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».