11:10arXiv cs.LG@Liou Tang, James Joshi, Ashish Kundu该论文针对机器遗忘(Machine Unlearning)的审计问题,给出信息论证明:对于凸ML模型,任何仅依赖行为信号(如模型输出)的审计方案,都无法在不泄露保留集成员信息的情况下识别未经充分遗忘的模型。实验在凸模型上强有力地支持该结论,并在非凸模型上也观察到类似的隐私-审计权衡。研究结果呼吁在现实审计者威胁模型下更谨慎地考虑隐私与审计的冲突,并为设计隐私保护的审计方案提供基础。代码已开源。论文Machine Unlearning隐私审计凸模型隐私保护推荐理由:论文证明行为审计会泄露隐私,给审计方案敲警钟原文