Makine Öğrenmeyi Unutma Denetimi için Yeni Çerçeve

Google, makine unlearning'ini denetlemek için tasarlanmış Regularized f-Divergence Kernel Tests adında yeni bir çerçeve tanıtıyor. Makine unlearning'i, yapay zeka sistemlerinin eğitim verilerinin belirli kısımlarını tamamen yeniden eğitim almadan "unutmasını" sağlar; bu, düzenleyici uyumluluk (örneğin, Genel Veri Koruma Yönetmeliği, GDPR kapsamındaki "unutulma hakkı"), yapay zeka güvenliği ve model kalitesi için çok önemlidir. Geleneksel doğrulama yöntemi, bir kaydı hiç görmemiş bir model ile onu "unutmuş" bir modelin çıktı dağılımlarını karşılaştıran iki örnekli testtir. Ancak modeller büyüdükçe bu yöntem istatistiksel gücünü kaybeder ve çok sayıda örnek gerektirir, bu da hesaplama açısından pahalıdır. 2026 yılında 26. Uluslararası Yapay Zeka ve İstatistik Konferansı'nda (AISTATS 2026) sunulan yeni çerçeve, f-ıraksama tabanlı düzenlileştirilmiş testler kullanır ve en iyi ıraksamayı ve hiperparametreleri otomatik olarak seçerek manuel ayar ihtiyacını ortadan kaldırır. Yazarlar teorik olarak testlerin herhangi bir örneklem büyüklüğü için yanlış pozitifleri kontrol ettiğini ve artan veriyle yanlış negatif riskinin sıfıra yaklaştığını kanıtlıyor. Çerçeve ayrıca, unutan modeli güvenle yeniden eğitilmiş bir modelle ve orijinal tehlikeye atılmış modelle karşılaştıran göreli bir üç örnekli test sunar; bu da mükemmel yeniden eğitim denkliğine ulaşmanın imkansızlığını ele alır. Sentez veriler, yüksek enerji fiziği verileri (nadir parçacık arayışı), diferansiyel gizlilik denetimi ve unutma yöntemlerinin değerlendirilmesi üzerindeki deneylerde, çerçeve daha az örnek ve daha az ayar gerektirirken taban yöntemlerinden daha iyi performans gösterdi veya onlarla eşleşti. Örneğin, gizlilik denetiminde, hokey sopası ıraksama testi SVT3 mekanizmasındaki ihlalleri birkaç bin örnek kullanarak tespit ederken, DP-Auditorium milyonlarca örnek gerektiriyordu. Unutma değerlendirmesinde, yalnızca rastgele etiket yöntemi testi geçti; ince ayar, budama ve Seçici Sinaptik Söndürme etkisiz kaldı. Yazarlar, basitleştirilmiş uygulamalar kullandıklarını; üretim ortamları için daha titiz ayarların gerekli olduğunu vurguluyor. Bu çalışma Antonín Schrab ve Arthur Gretton ile ortak yürütülmüştür.