FiCABU: Kontext‑angepasstes Unlearning für Edge‑AI – effizient und praktisch
Die wachsende Nachfrage nach Machine‑Unlearning, ausgelöst durch Datenschutzgesetze und das „Recht auf Vergessen“, trifft besonders auf Edge‑AI-Geräte, die mit begrenzten Rechen- und Energiekapazitäten arbeiten. Traditi…
- Die wachsende Nachfrage nach Machine‑Unlearning, ausgelöst durch Datenschutzgesetze und das „Recht auf Vergessen“, trifft besonders auf Edge‑AI-Geräte, die mit begrenzte…
- Traditionelle, serverzentrierte oder retraining‑intensive Ansätze sind hier schlicht unpraktisch.
- FiCABU (Fisher‑basierte Context‑Adaptive Balanced Unlearning) löst dieses Problem mit einer cleveren Software‑Hardware‑Ko‑Entwicklung.
Die wachsende Nachfrage nach Machine‑Unlearning, ausgelöst durch Datenschutzgesetze und das „Recht auf Vergessen“, trifft besonders auf Edge‑AI-Geräte, die mit begrenzten Rechen- und Energiekapazitäten arbeiten. Traditionelle, serverzentrierte oder retraining‑intensive Ansätze sind hier schlicht unpraktisch.
FiCABU (Fisher‑basierte Context‑Adaptive Balanced Unlearning) löst dieses Problem mit einer cleveren Software‑Hardware‑Ko‑Entwicklung. Das System nutzt zunächst einen kontext‑angepassten Ansatz, bei dem das Unlearning von den hinteren Schichten des Modells ausgeht und stoppt, sobald das gewünschte Vergessensniveau erreicht ist. Gleichzeitig sorgt ein balanciertes Dämpfungssystem dafür, dass die Dämpfung je nach Tiefe des Netzwerks skaliert wird, um die Genauigkeit bei den verbleibenden Daten zu erhalten.
Die Umsetzung erfolgt in einem vollständigen RTL‑Design eines RISC‑V‑Edge‑AI‑Prozessors. Zwei leichtgewichtige IP‑Module – eines für die Fisher‑Schätzung und eines für die Dämpfung – werden in einen GEMM‑zentrierten Streaming‑Puffer integriert. Die Lösung wurde auf einer FPGA‑Prototypenplattform getestet und anschließend in 45 nm‑Technologie für eine detaillierte Leistungsanalyse synthetisiert.
In den Benchmarks mit CIFAR‑20 und PinsFaceRecognition, unter Einsatz von ResNet‑18 und ViT, erreicht FiCABU eine Vergessensgenauigkeit, die dem Zufallsraten entspricht, und hält gleichzeitig die Retentionsgenauigkeit auf dem Niveau des retraining‑freien SSD‑Baselines. Die Rechenleistung wird um bis zu 87,52 % bei ResNet‑18 und 71,03 % bei ViT reduziert. Auf dem INT8‑Hardware‑Prototyp verbessert FiCABU die Retentionsleistung weiter und senkt den Energieverbrauch auf lediglich 6,48 % (CIFAR‑20) bzw. 0,13 % (PinsFaceRecognition) des SSD‑Baselines.
Zusammenfassend zeigt FiCABU, dass ein back‑end‑first, tiefen‑sensitives Unlearning nicht nur machbar, sondern auch äußerst effizient für ressourcenbeschränkte Edge‑AI‑Geräte ist. Diese Technologie eröffnet neue Möglichkeiten, Datenschutzanforderungen ohne großen Aufwand in eingebetteten Systemen zu erfüllen.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.