研究人员开发了一种新的审计方法来评估机器学习遗忘算法的有效性。该审计器使用成员推理攻击来计算遗忘参数$\varepsilon$的数据相关下界。研究发现，具有正式保证的算法（如模型剪枝和回溯删除）表现良好，而经验方法则显示出较差的遗忘结果。该框架提供了一种实用的方法来经验性地测试和潜在地证伪关于遗忘的声明。 AI
影响 为验证机器学习模型中的数据隐私声明提供了一个实用的工具。
排序理由 学术论文，详细介绍了一种审计机器学习算法的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.05898v1 Announce Type: new Abstract: Evaluating whether unlearning algorithms truly remove training data influence remains an open challenge. We propose a practical auditor that computes data-dependent lower bounds on the unlearning parameter $\varepsilon$ using member…
Evaluating whether unlearning algorithms truly remove training data influence remains an open challenge. We propose a practical auditor that computes data-dependent lower bounds on the unlearning parameter $\varepsilon$ using membership inference attacks. Evaluating multiple unle…