論文の概要: Governing AI Forgetting: Auditing for Machine Unlearning Compliance

• arxiv url: http://arxiv.org/abs/2602.14553v1
• Date: Mon, 16 Feb 2026 08:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.335476
• Title: Governing AI Forgetting: Auditing for Machine Unlearning Compliance
• Title（参考訳）: 機械学習のコンプライアンスを監査するAIの放棄
• Authors: Qinqi Lin, Ningning Ding, Lingjie Duan, Jianwei Huang,
• Abstract要約: 我々は、認定されたアンラーニング理論と規制執行を統合することで、機械のアンラーニングコンプライアンスを監査するための最初の経済枠組みを導入する。 MUの本質的な不確かさを,証明された未学習の仮説検証解釈を用いて特徴付ける。 次に,オーディタとオペレータ間の戦略的相互作用を捉えるゲーム理論モデルを提案する。
• 参考スコア（独自算出の注目度）: 30.173215964349044
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Despite legal mandates for the right to be forgotten, AI operators routinely fail to comply with data deletion requests. While machine unlearning (MU) provides a technical solution to remove personal data's influence from trained models, ensuring compliance remains challenging due to the fundamental gap between MU's technical feasibility and regulatory implementation. In this paper, we introduce the first economic framework for auditing MU compliance, by integrating certified unlearning theory with regulatory enforcement. We first characterize MU's inherent verification uncertainty using a hypothesis-testing interpretation of certified unlearning to derive the auditor's detection capability, and then propose a game-theoretic model to capture the strategic interactions between the auditor and the operator. A key technical challenge arises from MU-specific nonlinearities inherent in the model utility and the detection probability, which create complex strategic couplings that traditional auditing frameworks do not address and that also preclude closed-form solutions. We address this by transforming the complex bivariate nonlinear fixed-point problem into a tractable univariate auxiliary problem, enabling us to decouple the system and establish the equilibrium existence, uniqueness, and structural properties without relying on explicit solutions. Counterintuitively, our analysis reveals that the auditor can optimally reduce the inspection intensity as deletion requests increase, since the operator's weakened unlearning makes non-compliance easier to detect. This is consistent with recent auditing reductions in China despite growing deletion requests. Moreover, we prove that although undisclosed auditing offers informational advantages for the auditor, it paradoxically reduces the regulatory cost-effectiveness relative to disclosed auditing.
• Abstract（参考訳）: 忘れられる権利の法的義務にもかかわらず、AIオペレーターは定期的にデータ削除要求に従わない。 機械学習(MU)は、トレーニングされたモデルから個人データの影響を取り除くための技術的なソリューションを提供するが、MUの技術的実現可能性と規制実装の根本的なギャップのため、コンプライアンスの確保は依然として困難である。 本稿では,MMUコンプライアンスを監査するための最初の経済枠組みについて紹介する。 本稿では,まず,検証済みの未学習の仮説検証解釈を用いてMU固有の不確かさを特徴付け,監査者の検出能力を導出する上で,監査者とオペレータ間の戦略的相互作用を捉えるゲーム理論モデルを提案する。 重要な技術的課題は、モデルユーティリティに固有のMU固有の非線形性と検出確率から生じ、これは従来の監査フレームワークが対処しない複雑な戦略的結合を生み出し、クローズドフォームソリューションを妨げている。 複素二変量非線形不動点問題をトラクタブルな単変量補助問題に変換することでこの問題に対処し、明示的な解に頼ることなくシステムを切り離し、平衡の存在、一意性、構造的特性を確立することができる。 分析の結果,非コンプライアンスの弱化により非コンプライアンスの検出が容易になるため,削除要求の増加に伴って監査人が検査強度を最適に低減できることがわかった。 これは削除要求が増えているにもかかわらず、最近の中国の監査の削減と一致している。 さらに、開示されていない監査は監査者に情報的優位性をもたらすが、開示された監査に対する規制コスト効果をパラドックス的に低減することを示す。

関連論文リスト

• Beyond the Checkbox: Strengthening DSA Compliance Through Social Media Algorithmic Auditing [7.686169912623941]
  アルゴリズムプラットフォームは、アルゴリズムの透明性、ユーザ保護、プライバシに関する義務を遵守する必要がある。 現在の監査プラクティスや、そのようなコンプライアンスを確保する上での有効性については、ほとんど分かっていない。 分析の結果,AIを用いたシステム評価における方法論の矛盾や技術的深度の欠如が示唆された。 我々は,コンプライアンス評価の深さ,規模,独立性を高めるために,アルゴリズム監査を採用することを提案する。
  論文  参考訳（メタデータ） (2026-01-26T12:00:29Z)
• CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction [50.67483317563736]
  本稿では,段階的に考察し,必要な情報を検索し,結果を生成し,自己評価を行い,結果を洗練するシステムを提案する。 CoT-Segは、思考の連鎖推論と自己補正を組み合わせることで、推論セグメンテーションを再考する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-01-24T11:41:54Z)
• Preventing the Collapse of Peer Review Requires Verification-First AI [49.995126139461085]
  我々は、真理結合、すなわち、過度に科学的真理をトラックする場所のスコアの厳密さを提案する。 プロキシ・ソブリン評価に向けた相転移を駆動する2つの力の形式化を行う。
  論文  参考訳（メタデータ） (2026-01-23T17:17:32Z)
• Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
  大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。 本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
  論文  参考訳（メタデータ） (2025-12-23T03:10:09Z)
• "Show Me You Comply... Without Showing Me Anything": Zero-Knowledge Software Auditing for AI-Enabled Systems [2.2981698355892686]
  本稿では,新しいMLOps検証フレームワークであるZKMLOpsを紹介する。 ZKP(Zero-Knowledge Proofs)暗号プロトコルを運用し、証明者が証明者に対して、文が真実であることを納得させることができる。 我々は、金融リスク監査における規制コンプライアンスの研究を通じて、この枠組みの実践性を評価する。
  論文  参考訳（メタデータ） (2025-10-30T15:03:32Z)
• LLMs as verification oracles for Solidity [1.3887048755037537]
  本稿では,この役割において,最先端の推論LLMである GPT-5 を初めて体系的に評価する。 我々は,大規模な検証タスクのデータセット上でその性能をベンチマークし,その出力を確立された形式的検証ツールと比較し,実世界の監査シナリオにおける実効性を評価する。 我々の研究は、AIの収束における新たなフロンティアと、セキュアなスマートコントラクト開発と監査のための形式的手法を示唆している。
  論文  参考訳（メタデータ） (2025-09-23T15:32:13Z)
• Do We Need to Verify Step by Step? Rethinking Process Supervision from a Theoretical Perspective [59.61868506896214]
  標準的なデータカバレッジの仮定では、強化学習はプロセスの監督よりも統計的に難しいものではない。 任意のポリシーの利点関数が最適なプロセス報酬モデルとして機能することを証明する。
  論文  参考訳（メタデータ） (2025-02-14T22:21:56Z)
• From Transparency to Accountability and Back: A Discussion of Access and Evidence in AI Auditing [1.196505602609637]
  監査は、デプロイ前のリスクアセスメント、進行中の監視、コンプライアンステストなど、さまざまな形式で実施することができる。 AI監査には、その実装を複雑にする多くの運用上の課題がある。 我々は、監査は自然な仮説テストとして、並列仮説テストと法的手続きを引き出すことができると論じ、このフレーミングは、監査実施に関する明確かつ解釈可能なガイダンスを提供すると論じる。
  論文  参考訳（メタデータ） (2024-10-07T06:15:46Z)
• RESHAPE: Explaining Accounting Anomalies in Financial Statement Audits by enhancing SHapley Additive exPlanations [1.3333957453318743]
  本稿では,集約属性レベルのモデル出力を説明するRESHAPEを提案する。 以上の結果から,RESHAPEは最先端のベースラインと比較して多目的に説明できるという実証的証拠が得られた。 金融監査における非教師なしDL技術導入の次のステップとして,このような属性レベルの説明を想定する。
  論文  参考訳（メタデータ） (2022-09-19T16:23:43Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。