Google Research stellt neues Framework zur Auditierung von Machine Unlearning vor
Originaltitel:New framework for auditing machine unlearning
KI-Zusammenfassung
Google Research hat auf der AISTATS 2026 einen regularisierten f-Divergenz-Kerntest veröffentlicht, mit dem sich Machine Unlearning bei LLMs und anderen Modellen effizient auditieren lässt. Die Methode nutzt einen statistischen Zwei-Stichproben-Test, um festzustellen, ob ein Modell bestimmte Trainingsdaten tatsächlich „vergessen“ hat, und vermeidet die enormen Kosten eines vollständigen Neutrainings. Im Vergleich zu bestehenden Werkzeugen wie Maximum Mean Discrepancy kann das neue Framework theoretisch bei beliebiger Stichprobengröße falsch-positive Ergebnisse natürlich kontrollieren, während das Risiko falsch-negativer Ergebnisse mit zunehmender verfügbarer Stichprobe zuverlässig gegen null konvergiert. Damit wird das Problem übermäßig hoher Rechenkosten bei der Auditierung großer Modelle gelöst.
Kernpunkte
- Google Research hat auf der AISTATS 2026 einen regularisierten f-Divergenz-Kerntest…
- Die Methode nutzt einen statistischen Zwei-Stichproben-Test,um festzustellen,ob ein Modell…
- Im Vergleich zu bestehenden Werkzeugen wie Maximum Mean Discrepancy kann das neue Framework…
- Damit wird das Problem übermäßig hoher Rechenkosten bei der Auditierung großer Modelle gelöst.
Auf einen Blick
- Veröffentlicht
- Aktualisiert
- Quelle
- Google Research:Blog(网页)
- Kategorie
- Papers & Forschung
- KI-Bewertung
- 63
机器遗忘是AI合规的硬需求,但验证‘真忘了’一直是统计难题。谷歌这篇AISTATS论文提出了一套更灵敏的差异测试框架,做隐私审计的值得细看。
Verwandte Entitäten
Quelle & Urheberrecht
Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.
Zitierhinweis
Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.
Orange News: Google Research stellt neues Framework zur Auditierung von Machine Unlearning vor. 10. Juni 2026. https://new.nat6.net/de/news/cmq8f6o8v01weslld6q3q39ne/