Machine Unlearning on Tiny-ImageNet (test) benchmark leaderboard · SOTA2 Research

Machine Unlearning on Tiny-ImageNet (test)

99.65Residual AccuracyRT

Evaluation Results

Method	Links
RT2025.05		99.65	—	57.81	—	54.1	—	—	46.72	0	33.73
FT2025.05		99.44	—	15.85	—	56.53	—	—	5.44	21.47	4.2
NegTV2025.05		98.81	—	6.95	—	56.04	—	—	1.85	24.63	0.97
RL2025.05		98.77	—	83.52	—	52.61	—	—	30.49	11.08	14.11
SFRon2025.05		97.94	—	23.2	—	52.27	—	—	33.12	12.94	20.56
MCU2025.05		97.73	—	47.25	—	52.35	—	—	38.38	5.64	9.78
SalUn2025.05		97.66	—	86.07	—	53.32	—	—	39.55	9.55	13.73
MCUβ2025.05		96.94	—	45.25	—	50.75	—	—	44.72	5.16	8.44
GA2025.05		95.91	—	7.83	—	53.6	—	—	4.42	24.13	0.5
LOFT2026.01		92.17	0.02	0.08	0.42	—	—	—	—	—	—
FT2026.01		91.13	49.98	38.82	31.88	—	—	—	—	—	—
retrained2026.01		90.57	0	0	0	—	—	—	—	—	—
RL2026.01		90.03	15.38	1.1	7.72	—	—	—	—	—	—
SalUn2026.01		87.93	11.61	2.74	6.31	—	—	—	—	—	—
NegGrad+2025.05		85.23	—	40.13	—	47.55	—	—	45.02	10.09	4.22
DELETE2026.01		81.07	10.96	1.16	6.23	—	—	—	—	—	—
pretrained2026.01		75.43	74.45	95.34	—	—	—	—	—	—	—
COUN+RL2026.01		33.1	24.07	3.28	35.27	—	—	—	—	—	—
RL2026.01		23.43	13.75	5.39	35.12	—	—	—	—	—	—
SalUn2026.01		23.3	15.05	12.25	36.95	—	—	—	—	—	—
BT2026.01		21.3	12.57	4.09	35.16	—	—	—	—	—	—
L2UL2026.01		19.1	11.91	3.66	35.63	—	—	—	—	—	—
GA2026.01		12.2	8.1	11.41	38.64	—	—	—	—	—	—
DELETE2026.03		—	—	—	—	0	37.33	89.64	—	—	—
FT2026.03		—	—	—	—	88.33	93.65	89.19	—	—	—
GA2026.03		—	—	—	—	1.56	16.57	75.85	—	—	—
GDR2026.03		—	—	—	—	24.22	85.14	85.42	—	—	—
ℓ1-sparse2026.03		—	—	—	—	78.11	89.27	78.91	—	—	—
Munba2026.03		—	—	—	—	75.57	90.41	83.04	—	—	—
Original2026.03		—	—	—	—	89.38	94.95	93.33	—	—	—
Our method2026.03		—	—	—	—	3.11	91.27	88.88	—	—	—
Retrain2026.03		—	—	—	—	64.45	95.71	90.58	—	—	—
SalUn2026.03		—	—	—	—	5.67	55.81	73	—	—	—
SCRUB2026.03		—	—	—	—	7.22	81.97	88.29	—	—	—
SSD2026.03		—	—	—	—	44.33	77.05	87.9	—	—	—
Two-Stage Machine Unlearning2026.03		—	—	—	—	3.11	91.27	88.88	—	—	—