两篇新研究论文探讨了机器学习遗忘中的漏洞和检测方法。机器学习遗忘旨在从训练模型中删除特定数据以符合隐私规定。其中一篇论文“DurableUn”揭示，即使模型通过了标准的隐私审计，低比特量化仍可能无意中恢复被遗忘的数据。另一篇论文“The Measure of Deception”则提出了一个分析和检测“伪造”（即在未实际删除数据的情况下模仿遗忘的对抗性尝试）的框架，并指出这种欺骗在根本上是有限的。 AI
影响 这些论文突显了机器学习遗忘中的关键安全和隐私问题，可能影响敏感数据的模型审计和部署方式。
排序理由 两篇在arXiv上发表的学术论文分析了机器学习遗忘技术及其安全漏洞。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.02196v1 Announce Type: new Abstract: Machine unlearning aims to remove specified training data to satisfy privacy regulations such as GDPR. However, existing evaluations assume identical precision at unlearning and deployment, overlooking that production LLMs are deplo…
arXiv:2509.05865v2 Announce Type: replace-cross Abstract: Motivated by privacy regulations and the need to mitigate the effects of harmful data, machine unlearning seeks to modify trained models so that they effectively `"forget'' designated data. A key challenge in verifying unl…