Machine Unlearning Audit
Machine unlearning audit 是一組用來驗證模型是否真的「忘記」特定資料的統計方法。這篇 Google Research 文章把重點放在可驗證性：外部稽核者通常看不到模型內部與原始訓練資料，只能透過輸出樣本推斷是否成功移除影響。
這個概念和 loop-engineering 的 verify loop 很接近：都不是「跑一次就信」，而是要有可重複、可追溯的檢查。它也和 test-time-compute-evaluation 有關，因為兩者都在處理模型評估的可信度問題，只是前者關心資料遺忘，後者關心推論時算力對分數的影響。
核心方法
- Two-sample testing：比較兩組輸出分布是否顯著不同
- Regularized f-Divergence Kernel Tests：Google Research 提出的較彈性框架
- Relative distance test：比較 unlearned model 是否更接近 safe retrained model
為什麼重要
- 應用於 GDPR / Right to be Forgotten 類型需求
- 讓 privacy 與 safety 的驗證不只停在直覺判斷
- 幫助 google-research-blog 這類研究來源落地成可重用的驗證概念