MeGU: Maschinelles Unlernen mit gezielter Feature‑Entkoppelung

Der Schutz von Trainingsdaten hat das „Recht auf Vergessen“ zu einer zentralen Anforderung gemacht. Gleichzeitig wächst die Nachfrage nach effektiven Methoden zum maschinellen Unlernen. Bisherige Ansätze stehen jedoch vor einem grundlegenden Dilemma: Wenn man die Einflüsse von Ziel-Daten zu stark entfernt, verliert das Modell an Nutzen für die verbleibenden Daten; wenn man zu vorsichtig vorgeht, bleiben noch Spuren der Ziel-Daten zurück.

In der vorliegenden Arbeit wird untersucht, wie die während des Pretrainings erlernten Repräsentationen intrinsisch miteinander verflochten sind. Semantische Klassenkonzepte teilen sich Feature‑Muster, wobei gleichzeitig klassen­spezifische diskriminierende Komponenten erhalten bleiben. Diese Verflechtung begrenzt die Wirksamkeit bestehender Unlearning‑Paradigmen.

Aus diesem Grund wird das neue Framework Machine‑Guided Unlearning (MeGU) vorgestellt. MeGU nutzt multimodale Large Language Models, um gezielt Richtungen für die Neu‑Ausrichtung von Ziel‑Samples zu bestimmen, indem semantisch sinnvolle Störlabels zugewiesen werden. Um die Effizienz zu steigern, werden die inter‑klassischen Konzeptähnlichkeiten in einer schlanken Übergangsmatrix kodiert. Zusätzlich führt MeGU ein positives‑negatives Feature‑Rausch‑Paar ein, das die Einflussnahme des Zielkonzepts explizit trennt: Der negative Rausch unterdrückt ziel‑spezifische Muster, während der positive Rausch verbleibende, zugehörige Features verstärkt.

Durch diese Kombination aus konzeptbewusster Neu‑Ausrichtung und gezieltem Rauschmanagement erreicht MeGU eine deutlich höhere Unlearning‑Effizienz, ohne die Modellleistung auf den verbleibenden Daten zu beeinträchtigen. Die Ergebnisse zeigen, dass das Verfahren die Grenzen herkömmlicher Methoden überwindet und einen wichtigen Schritt in Richtung datenschutzfreundlicher KI darstellt.