# \#aistats **URL:** https://discuss.pytorch.kr/tag/aistats/8186.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Google, 머신 언러닝 감사를 위한 정규화된 f-발산 커널 검정에 대한 연구 (feat. AISTATS 2026)](https://discuss.pytorch.kr/t/google-f-feat-aistats-2026/10774)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 18, 2026, 7:30오전 UTC](https://discuss.pytorch.kr/t/google-f-feat-aistats-2026/10774 "2026-06-18T07:30:31Z")
머신 언러닝 감사라는 새로운 숙제 소개 거대한 데이터로 학습한 인공지능 모델에게 "이 데이터는 학습하지 않은 것으로 해줘" 라고 요구할 수 있을까요? 이것이 바로 머신 언러닝(Machine Unlearning) 이 다루는 문제입니다. 머신 언러닝은 모델을 처음부터 다시 학습시키는 막대한 비용을 들이지 않고도, 학습 데이터의 특정 부분을 모델이 "잊도록" 만드는 기술입니다. 단순한 학문적 호기심이 아니라, GDPR의 잊힐 권리(Right to be Forgotten)와 같은 규제 준수, AI 안전성, 그리고 모델 품질 관리를 위해 점점 더 중요해지고 있습니다. 문제는 "잊었다"는 것을 어떻게 증명하느냐입니다. 모델이 다루는 데이터셋이 거대하고 민감해질수록, 머신 언러닝의 검증은 이론적 이상에서 엄격한 요구사항으로 바뀌었습니다. 개발자는 이제 "이 데이터의 흔적이 모델에 남아 있지 않다" 는 것을 수학적으로 증명해야 합니다. 그런데 모델을 감사(auditing)하는 외부 감사자는 보통 모델의 내부 가중치나 원본 학습 데이터에 접근할 수 없습니다. 오직 모델에 질의(query)를 던지고 그 출력 샘플을 분석하는 방식으로만 시스템을 검증해야 하는 것입니다. Google Research는 이 까다로운 문제를 풀기 위한 새로운 통계적 프레임워크인 정규화된 f-발산 커널 검정(Regularized f-Divergence Kernel Tests) 을 AISTATS 2026에서 발표했습니다. 이 글에서는 기존의 통계 검정 도구가 왜 머신 언러닝 감사 앞에서 무너지는지, 그리고 새 프레임워크가 어떤 아이디어로 이 한계를 넘어서는지를 차근차근 살펴봅니다. 차등 프라이버시(Differential Privacy)나 모델 프라이버시 감사에 관심 있는 분들에게는, 이 글이 "왜 단순 비교만으로는 안 되는가" 라는 근본적인 질문을 다시 생각하게 해줄 것입니다. 출력만 보고 검증하기: 두 표본 검정과 그 한계 감사자가 모델 내부를 들여다볼 수 없을 때, 의지할 수 있는 대표적인 …