Khung kiểm toán mới cho việc học không nhớ (machine unlearning)

Google giới thiệu một khuôn khổ mới có tên là Regularized f-Divergence Kernel Tests, được thiết kế để kiểm toán việc "học máy không ghi nhớ" (machine unlearning). Tính năng này cho phép các hệ thống AI "quên" các phần cụ thể của dữ liệu huấn luyện mà không cần huấn luyện lại toàn bộ, điều này rất quan trọng cho việc tuân thủ quy định (ví dụ: "quyền được quên" theo Quy định chung về Bảo vệ Dữ liệu, viết tắt là GDPR), an toàn AI, và chất lượng mô hình. Phương pháp kiểm tra truyền thống là kiểm tra hai mẫu, so sánh phân phối đầu ra của một mô hình chưa từng thấy một bản ghi và một mô hình đã "quên" nó. Tuy nhiên, khi mô hình lớn hơn, phương pháp này mất đi sức mạnh thống kê và cần một số lượng lớn mẫu, khiến chi phí tính toán tốn kém. Khuôn khổ mới, được trình bày tại Hội nghị Quốc tế lần thứ 26 về Trí tuệ Nhân tạo và Thống kê vào năm 2026, viết tắt là AISTATS 2026, sử dụng các kiểm tra có điều chỉnh dựa trên phân kỳ f (f-divergences) và tự động chọn phân kỳ tốt nhất cùng các siêu tham số, loại bỏ nhu cầu điều chỉnh thủ công. Các tác giả chứng minh về mặt lý thuyết rằng các bài kiểm tra kiểm soát các cảnh báo sai cho mọi kích thước mẫu, và rủi ro bỏ sót có xu hướng về không với dữ liệu tăng lên. Khuôn khổ cũng cung cấp một bài kiểm tra ba mẫu tương đối để so sánh mô hình "quên" với một mô hình được huấn luyện lại một cách an toàn và mô hình gốc đã bị xâm phạm, giải quyết vấn đề không thể đạt được sự tương đương hoàn hảo với việc huấn luyện lại. Trong các thử nghiệm trên dữ liệu tổng hợp, dữ liệu vật lý năng lượng cao (tìm kiếm các hạt hiếm), kiểm toán quyền riêng tư khác biệt, và đánh giá các phương pháp "quên", khuôn khổ này vượt trội hoặc tương đương với các phương pháp cơ sở trong khi yêu cầu ít mẫu hơn và ít điều chỉnh hơn. Ví dụ, trong kiểm toán quyền riêng tư, kiểm tra phân kỳ hockey-stick đã phát hiện các vi phạm trong cơ chế SVT3 với vài nghìn mẫu, trong khi DP-Auditorium cần hàng triệu mẫu. Trong đánh giá "quên", chỉ có phương pháp nhãn ngẫu nhiên vượt qua bài kiểm tra, trong khi tinh chỉnh, cắt tỉa và Selective Synaptic Dampening tỏ ra không hiệu quả. Các tác giả nhấn mạnh rằng họ đã sử dụng các triển khai đơn giản hóa; các cài đặt chặt chẽ hơn là cần thiết cho môi trường sản xuất. Công trình này được thực hiện cùng với Antonín Schrab và Arthur Gretton.