Neues Verfahren: Zertifiziertes Unlearning mit individueller Sensitivitätsmessung

Forscher haben ein neues Verfahren vorgestellt, das zertifiziertes Machine‑Unlearning ermöglicht, ohne die Leistung stark zu beeinträchtigen. Durch die gezielte Anpassung des Rauschens an die individuelle Wirkung jedes Datenpunkts können sie die nötige Privatsphäre garantieren, ohne die üblichen, konservativen Rauschmengen einzusetzen.

Traditionell wird das Rauschen anhand der Worst‑Case‑Sensitivität kalibriert, was zu einer übermäßigen Störung der Modelle führt. Das neue Konzept nutzt per‑Instance Differential Privacy, um die Sensitivität jedes einzelnen Datensatzes in den verrauschten Gradienten zu bestimmen. Damit entsteht ein adaptiver Mechanismus, der bei der Entfernung eines spezifischen Punkts formal abgesichert ist.

Im konkreten Beispiel der Ridge‑Regression, die mit Langevin‑Dynamics trainiert wird, konnten die Autoren hochwahrscheinliche Sensitivitätsgrenzen berechnen. Diese erlauben ein deutlich geringeres Rauschen und damit ein besseres Gleichgewicht zwischen Datenschutz und Modellqualität.

Die theoretischen Ergebnisse wurden in linearen Experimenten bestätigt und in tiefen Lernmodellen weiter untersucht. Die Ergebnisse zeigen, dass das Verfahren in praxisnahen Szenarien vielversprechend ist und die Grenzen des zertifizierten Unlearning deutlich erweitert.