In Zeiten des Machine Learning ist Daten zu löschen alles andere als einfach. Wurde anhand einer großen Datenmenge ein Algorithmus einmal trainiert, kann dieser die Datenmenge nicht einfach vergessen. Aus diesem Grund befasst sich Professor Nicolas Papernot von der Universität Toronto mit dem jungen Thema des Machine Unlearning. Löscherfordernisse, empfiehlt er, schon in der Vorbereitung des Algorithmen-Trainings zu berücksichtigen.

Damit verfolgt der Forscher zwei Ansätze: Erstens lassen sich anstatt eines großen Modells, welches mit allen verfügbaren Daten trainiert wurde, mehrere kleinere Modelle erstellen, die jeweils auf einen Teil der Daten zurückgreifen.

Zweitens: Es kann zunächst ein Modell mit einem Teil der Daten trainieren, beispielsweise zehn Prozent, und das Ergebnis speichern. In dem darauf folgenden Schritt wird das Modell genommen und mit einem weiteren Datenteil weiterentwickelt. Diese Prozedur wird wiederholt, bis es ein mit allen Daten gefüttertes Modell gibt. Müssen jetzt später bestimmte Daten löschen werden, wird auf die vorherige Version zurückgegriffen, der diese Datensätze noch nicht kannte, und trainiert nur von dort an neu. Diese Methode kann zu einem späteren Zeitpunkt Zeit und Geld sparen.

(hv, hannover)

(siehe auch: Heise-News-Ticker)

Hannover · EDV-Beratung · Linux · Novell · Microsoft · Seminar · IT-Consult · Netzwerk · LPIC · CLE