ZK-APEX: Zero-Knowledge Approximate Personalized Unlearning with Executable Proofs

研究者提出 ZK-APEX，一种无需重训练的零样本个性化遗忘方法，使模型提供方能在不查看私有数据和个性化参数的情况下验证遗忘变换已正确执行。该方法在提供方侧做稀疏掩码，在客户端侧用小型 Group OBS 补偿，并借助分块经验 Fisher 矩阵生成低开销的曲率感知更新，再配合 Halo2 零知识证明完成验证。在 Vision Transformer 分类任务上，它恢复近乎全部个性化精度并移除目标信息；在基于代码数据训练的 OPT125M 生成模型上恢复约七成原始精度。ViT 场景的证明生成约需两小时，比基于重训练的检查快一千万倍以上，内存占用低于 1GB，证明大小约 400MB。