RULER: Representation-Level Verification of Machine Unlearning

Der Artikel stellt RULER vor, einen Satz von Verifizierungsmetriken auf Repräsentationsebene für maschinelles Entlernen, das darauf abzielt, den Einfluss spezifischer Trainingsdaten aus einem Modell zu entfernen. Im Gegensatz zu aktuellen Output-Level-Bewertungen erkennt RULER Rückstände vergessener Datensätze in Zwischenrepräsentationen und zeigt, dass approximative Entlernmethoden trotz bestandener Output-Evaluierungen immer noch vergessene Informationen kodieren können.