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. Die Validierung beschränkt sich auf synthetische Benchmarks und Physik-Datensätze, nicht auf große Sprachmodelle (LLMs). Das Framework nutzt f-Divergenzen und Kernel-Regularisierung und wählt automatisch die beste Divergenz und Hyperparameter aus. Ein relativer Drei-Stichproben-Test misst, ob ein vergessenes Modell einem sicher neu trainierten oder dem ursprünglichen Modell ähnlicher ist.
Aktualisierungen
06.07.2026
Die Validierung beschränkt sich auf synthetische Benchmarks und Physik-Datensätze, nicht auf große Sprachmodelle (LLMs).
Das Framework nutzt f-Divergenzen und Kernel-Regularisierung und wählt automatisch die beste Divergenz und Hyperparameter aus.
Ein relativer Drei-Stichproben-Test misst, ob ein vergessenes Modell einem sicher neu trainierten oder dem ursprünglichen Modell ähnlicher ist.
Worin sie sich unterscheidenUrsache für Fehler bisheriger Tests·Anwendungsbereich des Frameworks·Einordnung in den rechtlichen Kontext
Ursache für Fehler bisheriger Tests- Bisherige statistische Tests wie der Zwei-Stichproben-Test sind bei großen Modellen rechenintensiv und fehleranfällig. Sie erkennen oft nur globale Unterschiede, übersehen aber lokale Anomalien und liefern falsch-positive Ergebnisse, weil selbst Modelle, die auf denselben Daten trainiert wurden, unterschiedliche Verteilungen erzeugen können.1
- Das Framework vermeidet Fehlalarme, indem es drei Stichproben vergleicht und automatisch die passende f-Divergenz wählt.2
Anwendungsbereich des Frameworks- Das Framework erkennt Verstöße beim Mechanismus SVT3 mit wenigen tausend Stichproben, während das Referenztool DP-Auditorium Millionen benötigte.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. Auch das freiwillige GPAI-Praktikakodizes der EU-Kommission vom Juli 2025 schreibt keine Prüfmethode vor. Solange der Test nicht an LLMs validiert ist, bleibt die Beweiskette für Datenschutzbeauftragte unvollständig.2