Im Quellenvergleich
Worin die Quellen übereinstimmen
Google Research hat auf der AISTATS 2026 ein Framework namens Regularized f-Divergence Kernel Tests vorgestellt, das maschinelles Vergessen in KI-Modellen prüfen soll. Es erkennt Verstöße mit weniger Stichproben als bisherige Methoden. In Tests bestand nur die Random-Label-Methode den Test; Selective Synaptic Dampening, Pruning und Finetuning vergaßen die Daten nicht.
Worin sie sich unterscheiden
Ursache für Fehler bisheriger Tests- Bisherige statistische Tests wie der Zwei-Stichproben-Test sind bei großen Modellen rechenintensiv und fehleranfällig, erkennen oft nur globale Unterschiede, übersehen lokale Anomalien und liefern falsch-positive Ergebnisse, weil selbst Modelle mit gleichen Trainingsdaten unterschiedliche Verteilungen erzeugen können.1
- Der Test vermeidet Fehlalarme, indem er drei Stichproben vergleicht und automatisch die passende f-Divergenz wählt.2
Anwendungsbereich des Frameworks- Das Framework erkannte in Tests Datenschutzverletzungen mit deutlich weniger Stichproben als bisherige Methoden.1
- Die Validierung beschränkt sich auf synthetische Benchmarks und Physik-Datensätze, nicht auf große Sprachmodelle.2
Einordnung in den rechtlichen Kontext- Der Artikel ordnet den Test in die regulatorische Lücke des europäischen Rechts ein: Die Datenschutz-Grundverordnung verlangt Löschung, aber es fehlt eine nachweisbare Methode für KI-Modelle.2