🤖 machine learning

When Unlearning Fails: Reliable Data Deletion under Post-Training in Agent Networks

यह शोध पत्र MUTE को प्रस्तुत करता है, जो स्व-सुधारित फेडरेटेड एजेंट नेटवर्क में विश्वसनीय डेटा विलोपन के लिए एक विधि है, जो डाउनस्ट्रीम प्रभाव का अनुमान लगाकर, उच्च-जोखिम वाले रिटेन्ड ट्रेजेक्टरीज को क्वारंटाइन करके और प्रभाव पुनरुत्पत्ति को रोकने के लिए व्यवहार का ऑडिट करके, कार्य उपयोगिता को संरक्षित करते हुए विस्मृत डेटा की निरंतर "इन्फ्लुएंस इको" को प्रभावी ढंग से कम करता है।

मूल लेखक: Zihao Ding, Jun Huang, Liang Dong

प्रकाशित 2026-08-03

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zihao Ding, Jun Huang, Liang Dong

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि छोटे, मददगार रोबोटों का एक झुंड मिलकर घर के काम करना सीख रहा है। यह एक विशाल क्लाउड ब्रेन के बजाय, प्रत्येक रोबोट अपने अनुभवों से सीखता है और जो कुछ भी उसने सीखा है उसे दूसरों के साथ साझा करता है। इसे फेडरेटेड लर्निंग (Federated Learning) कहा जाता है। यह दोस्तों के एक समूह के लिए परीक्षा की तैयारी करने जैसा है: वे में से प्रत्येक अलग-अलग किताबें पढ़ता है, अपने स्वयं के नोट्स लिखता है, और फिर समूह को स्मार्ट बनाने के लिए सारांशों का आदान-प्रदान करता है, बिना कभी अपने निजी, बिखरे हुए नोटबुक को शिक्षक को दिखाए।

अब, कल्पना कीजिए कि ये रोबोट "स्व-सुधारने वाले" (self-improving) हैं। वे केवल परीक्षा के बाद सीखना बंद नहीं करते; वे काम करते रहते हैं, क्या काम आया और क्या नहीं, इसके बारे में नए किस्से इकट्ठा करते हैं, और समूह को और भी बेहतर बनाने के लिए उन किस्सों को वापस फीड करते हैं। यह एक स्व-सुधारने वाला नेटवर्क (Self-Improving Network) है। लेकिन यहाँ पेचीदा हिस्सा यह है: क्या होगा अगर एक दोस्त कहता है, "हे, मैं भुला दिया जाना चाहता हूँ! कृपया मेरे सभी नोट्स मिटा दें और सुनिश्चित करें कि मैंने समूह के अंतिम उत्तर को कभी प्रभावित न किया हो"? एक सामान्य कक्षा में, आप बस पन्ने फाड़ देंगे। लेकिन इस रोबोट झुंड में, उस दोस्त के पुराने नोट्स ने पहले से ही अन्य रोबोटों के नए नोट्स एकत्र करने के तरीके को बदल दिया होगा। यदि आप उस दोस्त के नोट्स को हटा देते हैं लेकिन उनके द्वारा प्रेरित नए नोट्स को रखते हैं, तो उस दोस्त का "भूत" समूह के मस्तिष्क में अभी भी रह सकता है। यह शोध पत्र इस बारे में है कि कैसे पूरे सिस्टम को तोड़े बिना उस भूत को वास्तव में मिटाया जाए।

समस्या: वह "गूँज" जो मरती नहीं

शोधकर्ताओं ने इन स्मार्ट रोबोट नेटवर्क में डेटा को हटाने के साथ एक सूक्ष्म समस्या पाई। आमतौर पर, जब कोई भूल जाने के लिए कहता है, तो सिस्टम उस व्यक्ति के डेटा के बिना मॉडल को फिर से प्रशिक्षित (retraining) करके "अनलर्न" (unlearn) करने की कोशिश करता है। लेखक इसे "रिट्रेनिंग" दृष्टिकोण कहते हैं।

लेकिन एक स्व-सुधारने वाले नेटवर्क में, यह सरल समाधान विफल हो जाता है। यहाँ कारण दिया गया है: रोबोट का व्यवहार तालाब में लहर की तरह है। जब एक विशिष्ट रोबोट (मान लीजिए "रोवर") एक निश्चित तरीके से कार्य करता है, तो वह अन्य रोबोटों के देखने और सीखने के अगले तरीके को बदल देता है। यदि रोवर को उसके प्रभाव के बाद हटाया जाता है, तो अन्य रोबोटों ने रोवर के पुराने कार्यों के आधार पर पहले से ही नया डेटा एकत्र कर लिया होगा।

लेखक इसे "इन्फ्लुएंस इको" (Influence Echo - प्रभाव की गूँज) कहते हैं। भले ही आप रोवर के मूल डेटा को हटा दें, रोवर के व्यवहार की "गूँज" अन्य रोबोटों द्वारा एकत्र किए गए नए डेटा में जीवित रहती है। यदि आप केवल रोवर के डेटा को हटाकर मॉडल को शेष डेटा पर फिर से प्रशिक्षित करते हैं, तो मॉडल अनजाने में रोवर की गूँज से भी सीख लेता है। भुला दिया गया व्यवहार फिर से जीवित हो जाता है, जैसे कि कोई ज़ोंबी जो मर नहीं रहा हो। लेखकों ने सिमुलेशन के माध्यम से दिखाया है कि डिलीशन से पहले अन्य रोबोटों ने रोवर से जितना अधिक सीखा है, यह गूँज उतनी ही मजबूत होती जाती है, और "ज़ोंबी" व्यवहार के वापस आने की संभावना उतनी ही अधिक होती है।

समाधान: MUTE (म्यूटिंग अनलर्न्ड ट्रेजेक्टरीज' इकोज़)

इसे ठीक करने के लिए, टीम ने MUTE नामक एक नई विधि प्रस्तावित की। MUTE को एक साधारण इरेज़र के रूप में नहीं, बल्कि एक जासूस, एक क्वारंटाइनर (संगरोधकर्ता), और एक सुरक्षा गार्ड के रूप में सोचें।

1. जासूस (गूँज का पता लगाना):
सबसे पहले, MUTE को यह जानने की आवश्यकता है कि गूँज कहाँ छिपी है। चूंकि रोबोट अपना सारा निजी डेटा एक केंद्रीय सर्वर को नहीं भेज सकते (इससे गोपनीयता भंग होगी), सर्वर एक हल्का "लेजर" (ledger) रखता है—एक सरल लॉगबुक कि कौन सा रोबोट किस समय मस्तिष्क के किस संस्करण को चला रहा था। जब डिलीशन का अनुरोध आता है, तो सर्वर इस लॉगबुक को फिर से चलाकर (replay) हर उस डेटा के लिए एक "इन्फ्लुएंस स्कोर" (Influence Score) की गणना करता है जो अन्य रोबोटों ने एकत्र किया था। यह पूछने जैसा है कि, "यह नया नोट रोवर के पुराने नोट्स पर कितना निर्भर था?" यदि एक नया नोट रोवर से अत्यधिक प्रभावित था, तो उसे उच्च स्कोर मिलता है।

2. क्वारंटाइन (गूँज को शांत करना):
एक बार उच्च स्कोर वाले डेटा की पहचान हो जाने के बाद, MUTE उसे केवल डिलीट नहीं करता (जिससे रोबोटों की काम करने की क्षमता प्रभावित हो सकती है), बल्कि यह दो तरफा हमला करता है:

मॉडल क्लीनिंग (Model Cleaning): जिस रोबलेट का मूल डेटा था, वह अपने स्वयं के "एडैप्टर" (मस्तिष्क का एक छोटा, कुशल हिस्सा) को विशेष रूप से अवांछित व्यवहार को भूलने के लिए अपडेट करता है, जिसमें 'नेगेटिव प्रेफरेंस ऑप्टिमाइजेशन' नामक तकनीक का उपयोग किया जाता है। यह रोबोट को यह बताने जैसा है कि, "अब वह विशिष्ट चाल मत चलो।"
डेटा क्वारंटाइन (Data Quarantine): अन्य रोबोट अपने स्वयं के डेटा को देखते हैं। यदि उनके पास उच्च "इन्फ्लुएंस स्कोर" वाले नोट्स हैं (अर्थात, वे हटाए गए रोबोट द्वारा आकार दिए गए थे), तो MUTE उन नोट्स को क्वारंटाइन में डाल देता है। उन्हें हटाया नहीं जाता, लेकिन भविष्य के प्रशिक्षण के दौरान उन्हें अनदेखा किया जाता है। कुछ को कम भार (weight) दिया जाता है, जैसे शिक्षक को कहना, "इस नोट को पढ़ें, लेकिन इसे दूसरों की तुलना में उतना महत्व न दें।"

3. सुरक्षा गार्ड (ऑडिटिंग और शेड्यूलिंग):
काम एक सफाई के बाद समाप्त नहीं होता। नेटवर्क सीखता रहता है, इसलिए गूँज वापस आने की कोशिश कर सकती है। MUTE एक सुरक्षा गार्ड के रूप में कार्य करता है, जो लगातार सिस्टम का ऑडिट करता है। यह जाँचता है कि क्या "ज़ोंबी" व्यवहार वापस आ रहा है (जिसे इन्फ्लुएंस रिजनरेशन रेट कहा जाता है)। यदि गार्ड देखता है कि व्यवहार वापस आ रहा है, तो वह अधिक सफाई कार्यों को शेड्यूल करता है, लेकिन वह इसे सावधानी से करता है ताकि "कम्युनिकेशन बजट" के भीतर रहा जा सके—यह सुनिश्चित करते हुए कि रोबोट डेटा ट्रैफ़िक के बोझ से अभिभूत न हों।

उन्होंने क्या पाया

टीम ने MUTE का परीक्षण LIBERO नामक एक बेंचमार्क का उपयोग करके किया, जिसमें रोबर्स को भाषा के निर्देशों के आधार पर वस्तुओं को संचालित करना सिखाया जाता है। उन्होंने दो अलग-अलग रोबोट "मस्तिष्क" (MiniVLA और $\pi_0$ ) का उपयोग किया और तीन स्तरों पर डिलीशन का परीक्षण किया: एक एकल पथ (ट्रैजेक्टरी) को हटाना, एक पूरे रोबोट का डेटा (क्लाइंट) हटाना, या एक पूरे कार्य प्रकार (टास्क) को हटाना।

परिणाम उत्साहजनक थे। अपने सिमुलेशन और Jetson कंप्यूटरों (जो रोबोटों के लिए शक्तिशाली मिनी-कंप्यूटर की तरह हैं) के भौतिक टेस्टबेड का उपयोग करके, MUTE ने सफलतापूर्वक "ज़ोंबी" व्यवहार को वापस आने से रोका।

लो लीकेज (Low Leakage): हटाए गए डेटा को "याद रखने" की सिस्टम की क्षमता लगभग रैंडम स्तर (0.5 के करीब स्कोर) तक गिर गई, जिसका अर्थ है कि डेटा प्रभावी रूप से भुला दिया गया था।
कोई पुनर्जन्म नहीं (No Regeneration): मानक रिट्रेनिंग पद्धति के विपरीत, जहाँ भुला दिया गया व्यवहार वापस आ गया था, MUTE ने इन्फ्लुएंस रिजनरेशन रेट (IRR) को बहुत कम रखा। उदाहरण के लिए, MiniVLA मस्तिष्क के साथ एक परीक्षण में, मानक रिट्रेनिंग पद्धति के 0.178 की तुलना में MUTE के साथ पुनर्जन्म दर केवल 0.085 थी।
दक्षता (Efficiency): MUTE संचार के मामले में बहुत सस्ता था। जबकि मानक रिट्रेनिंग पद्धति के लिए भारी मात्रा में डेटा अपलोड करने की आवश्यकता थी (MiniVLA के लिए लगभग 234.6 यूनिट ट्रैफ़िक), MUTE को केवल लगभग 53.39 यूनिट की आवश्यकता थी। इसने यह हासिल किया क्योंकि इसने पूरे सिस्टम को शुरू से फिर से प्रशिक्षित करने के बजाय केवल छोटे, लक्षित अपडेट भेजे।

यह शोध पत्र सुझाव देता है कि जबकि साधारण रिट्रेनिंग इन स्व-सुधारने वाले नेटवर्क में विफल रहती है, MUTE डेटा को वास्तव में हटाने का एक विश्वसनीय तरीका प्रदान करता है। यह साबित करता है कि आप नेटवर्क की नई चीजें सीखने की क्षमता को तोड़े बिना, बहुत कम बैंडविड्थ का उपयोग करके, भुला दिए गए डेटा की "गूँज" को हटा सकते हैं। लेखक नोट करते हैं कि यह एक सिमुलेशन और फिजिकल टेस्टबेड परिणाम है, जो दिखाता है कि यह तरीका व्यवहार में काम करता है, लेकिन यह इन विशिष्ट प्रकार के स्व-सुधारने वाले रोबोट नेटवर्क के लिए एक विशेष समाधान बना हुआ है।

तकनीकी सारांश: जब अनलर्निंग विफल हो जाती है: पोस्ट-ट्रेनिंग के तहत एजेंट नेटवर्क में विश्वसनीय डेटा विलोपन

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्व-सुधारने वाले फेडरेटेड एजेंट नेटवर्क (self-improving federated agent networks) के भीतर फेडरेटेड अनलर्निंग (Federated Unlearning - FU) में एक महत्वपूर्ण अंतराल को संबोधित करता है। पारंपरिक फेडरेटेड लर्निंग के विपरीत, जहाँ प्रशिक्षण डेटा स्थिर होता है, स्व-सुधारने वाले नेटवर्क एक क्लोज्ड लूप (closed loop) में कार्य करते हैं: एजेंट एक वर्तमान पॉलिसी को तैनात करते हैं, वातावरण के साथ बातचीत करके नए सत्यापित प्रक्षेपवक्र (trajectories) एकत्र करते हैं, और इन प्रक्षेप पथों को आगामी प्रशिक्षण दौरों में वापस फीड करते हैं।

मुख्य समस्या "इन्फ्लुएंस इको" (influence echo) की है। जब कोई डेटा स्वामी विशिष्ट डेटा (भूलने वाला सेट, $D_f$ ) को हटाने का अनुरोध करता है, तो मानक अनलर्निंग विधियाँ $D_f$ के प्रत्यक्ष प्रभाव को हटाने के लिए मॉडल को अपडेट करती हैं। हालाँकि, एक स्व-सुधारने वाले लूप में, $D_f$ द्वारा आकार दी गई पॉलिसी ने पहले से ही भविष्य के डेटा (रखने वाला सेट, $D_r$ ) के संग्रह को प्रभावित किया है। फलस्वरूप:

रिट्रेनिंग विफलता (Retraining Failure): रखे गए डेटा $D_r$ पर पुन: प्रशिक्षण (retraining) भूलने वाले व्यवहार को समाप्त नहीं करता है क्योंकि $D_r$ स्वयं $D_f$ के कारणत्मक निशान (causal traces) रखता है।
पुनरुत्पत्ति (Regeneration): जैसे-जैसे नेटवर्क संचालित होता रहता है और $D_r$ से सीखता रहता है, भुलाया गया व्यवहार पुनः दृश्यमान होने लगता है (जिसे इन्फ्लुएंस रिजनरेशन रेट (IRR) द्वारा मापा जाता है)।
ट्रेसेबिलिटी (Traceability): यह प्रभाव हमेशा फीचर स्पेस में अलग करने योग्य नहीं होता है, लेकिन इसे मॉडल परिनियोजन और डेटा संग्रह के सर्वर-साइड रिकॉर्ड के माध्यम से ट्रैक किया जा सकता है।

मौजूदा FU विधियाँ एक स्थिर 'रिटेन सेट' मानती हैं और पॉलिसी-संचालित डेटा संग्रह को ध्यान में रखने में विफल रहती हैं, जिससे ऐसी स्थिति उत्पन्न होती है जहाँ विलोपन केवल एक बार का सुधार है, न कि एक निरंतर रक्षा।

2. कार्यप्रणाली: MUTE

लेखक MUTE (Muting Unlearned Trajectories' Echoes) प्रस्तावित करते हैं, जो एक ऐसा ढांचा है जिसे नेटवर्क के निरंतर सीखते रहने के दौरान भी विलोपन की वैधता को बनाए रखने के लिए डिज़ाइन किया गया है। MUTE तीन एकीकृत मॉड्यूल के माध्यम से कार्य करता है:

A. इन्फ्लुएंस प्रोवेनेंस (Tracing)

क्लाइंट्स से कच्चे डेटा (raw data) की आवश्यकता के बिना (जो गोपनीयता का उल्लंघन करता है), सर्वर एक हल्का लेजर (lightweight ledger) ( $L$ ) बनाए रखता है जो तैनात मॉडल संस्करणों, एग्रीगेशन वेट्स और कलेक्शन विंडोज़ को रिकॉर्ड करता है।

तंत्र (Mechanism): विलोपन अनुरोध पर, सर्वर लेजर को फिर से चलाता है (replay) ताकि यह अनुमान लगाया जा सके कि प्रभाव कैसे प्रसारित हुआ—एग्रीगेशन एज (ग्लोबल मॉडल में स्थानीय अपडेट) और कलेक्शन एज (ग्लोबल मॉडल द्वारा भविष्य के डेटा संग्रह को आकार देना) के माध्यम से।
स्कोरिंग (Scoring): प्रत्येक रखे गए प्रक्षेप पथ (trajectory) को उस मॉडल के आधार पर एक प्रभाव स्कोर $\gamma(x)$ दिया जाता है जिसके तहत उसे एकत्र किया गया था। यह सिस्टम को कच्चे प्रक्षेप पथों को क्लाइंट से हटाए बिना "उच्च-प्रभाव" वाले रखे गए डेटा की पहचान करने की अनुमति देता है।

B. इन्फ्लुएंस-अवेयर इरेज़र (Influence-Aware Erasure)

MUTE वर्तमान अवशेषों और भविष्य के जोखिमों दोनों को हटाने के लिए दोतरफा विलोपन करता है:

मॉडल-साइड इरेज़र (Model-Side Erasure): $D_f$ रखने वाला क्लाइंट अपने एडैप्टर को फॉरगेट-रिटेन ऑब्जेक्टिव (Forget-Retain objective) का उपयोग करके अपडेट करता है। यह $D_f$ पर व्यवहार को दबाने के लिए नेगेटिव प्रेफरेंस ऑप्टिमाइजेशन (NPO) का उपयोग करता है, जबकि $D_r$ पर उपयोगिता (utility) को बनाए रखता है। पुन: सीखने को रोकने के लिए, आगामी अपडेट को प्रमुख 'फॉरगेट-ग्रेडिएंट सबस्पेस' से दूर प्रोजेक्ट किया जाता है।
डेटा-साइड कंटेनमेंट (Data-Side Containment): क्लाइंट अपने स्थानीय प्रक्षेप पथों को प्रभाव स्कोर द्वारा ग्रेड देते हैं।
- क्वारंटाइन (Quarantine): उच्च-प्रभाव वाले प्रक्षेप पथ ( $\gamma(x) \ge \tau_q$ ) को प्रशिक्षण स्ट्रीम से हटा दिया जाता है।
- डाउन-वेटिंग (Down-weighting): मध्यम-प्रभाव वाले प्रक्षेप पथों का भार कम कर दिया जाता है।
- प्रतिस्थापन (Replacement): यदि संसाधन अनुमति दें, तो क्लाइंट मिटाए गए मॉडल के तहत प्रतिस्थापन प्रक्षेप पथ पुनः एकत्र कर सकते हैं।

C. व्यवहारिक ऑडिट और शेड्यूलिंग (Behavioral Audit and Scheduling)

चूंकि विलोपन को निरंतर बने रहना चाहिए, इसलिए MUTE एक अपलिंक बजट के तहत संसाधनों के प्रबंधन के लिए एक शेड्यूलिंग तंत्र शामिल करता है।

ऑडिटिंग (Auditing): सिस्टम व्यवहारिक लीकेज इंडेक्स (BLI) (मेंबरशिप इन्फरेंस के माध्यम से वर्तमान लीकेज) और IRR (भविष्य की पुनरुत्पत्ति) की निगरानी करता है।
शेड्यूलिंग (Scheduling): सर्वर यह तय करता है कि सामान्य प्रशिक्षण, अनलर्निंग, कंटेनमेंट या ऑडिटिंग के लिए क्लाइंट के क्या कार्य होंगे, ताकि यह सुनिश्चित किया जा सके कि क्लोज्ड-लूप ट्रांजिशन मैट्रिक्स एक स्थिरता स्थिति ( $\rho(M_\infty) < 1$ ) को संतुष्ट करता है, जो गारंटी देता है कि प्रभाव समय के साथ घटता है न कि पुनर्जीवित होता है।

3. मुख्य योगदान

समस्या का औपचारिक रूप (Problem Formulation): यह पेपर स्व-सुधारने वाले फेडरेटेड नेटवर्क के लिए विश्वसनीय डेटा विलोपन को औपचारिक रूप से परिभाषित करता है, यह उजागर करते हुए कि 'रिटेन सेट' वास्तव में 'फॉरगेट सेट' का कारणत्मक रूप से डाउनस्ट्रीम है, जिससे मानक रिट्रेनिंग अपर्याप्त हो जाती है।
अनुभवजन्य अवलोकन (Empirical Observations): प्रारंभिक प्रयोगों के माध्यम से, लेखक प्रदर्शित करते हैं कि:
- रिट्रेनिंग 'इन्फ्लुएंस इको' को शांत करने में विफल रहती है; नेटवर्क के संचालन के साथ भुलाया गया व्यवहार पुनः जीवित हो जाता है।
- पुनरुत्पत्ति दर (regeneration rate) उस अंश के साथ रैखिक रूप से बढ़ती है जो 'फॉरगेट पॉलिसी' द्वारा आकार दिया गया है।
- प्रभाव को सर्वर-साइड रिकॉर्ड के माध्यम से ट्रैक किया जा सकता है, भले ही फीचर-स्पेस अलगाव विफल हो जाए।
MUTE फ्रेमवर्क: इन्फ्लुएंस प्रोवेनेंस, दोतरफा विलोपन (मॉडल और डेटा), और संसाधन-बाधित शेड्यूलिंग को संयोजित करने वाले एक एकीकृत तरीके का प्रस्ताव।
सत्यापन (Validation): LIBERO बेंचमार्क पर दो विजन-लैंग्वेज-एक्शन (VLA) बैकबोन (MiniVLA और $\pi_0$ ) और एक भौतिक Jetson-आधारित एज टेस्टबेड का व्यापक मूल्यांकन।

4. प्रयोगात्मक परिणाम (Experimental Results)

मूल्यांकन तीन विलोपन स्तरों (प्रक्षेप पथ, क्लाइंट, और कार्य) के तहत Retrain दृष्टिकोण (रखे गए डेटा पर पूर्ण रिट्रेनिंग) के विरुद्ध MUTE की तुलना करता है।

इन्फ्लुएंस रिजनरेशन (IRR): MUTE, Retrain की तुलना में IRR को काफी कम कर देता है। उदाहरण के लिए, MiniVLA बैकबोन में, Retrain ने IRR मान लगभग 0.178–0.338 दिखाए, जबकि MUTE ने इन्हें 0.085–0.248 तक कम कर दिया (ग्रैनुलैरिटी के आधार पर)।
व्यवहारिक लीकेज (BLI): MUTE, BLI को चांस लेवल (0.5) के करीब रखता है, जो मेंबरशिप सिग्नल के सफल निष्कासन को दर्शाता है, जबकि Retrain अक्सर उच्च लीकेज का परिणाम देता है।
कार्य उपयोगिता (Task Utility - SR): MUTE, कार्य सफलता दर (SR) को प्री-रिक्वेस्ट बेसलाइन के बहुत करीब (जैसे, 0.04 के भीतर) बनाए रखता है, जो दर्शाता है कि विलोपन से प्रदर्शन गंभीर रूप से कम नहीं होता है।
संचार लागत (Communication Cost): MUTE अत्यधिक कुशल है। यह पूर्ण रिट्रेनिंग की तुलना में अपलिंक ट्रैफ़िक को लगभग 75–80% कम कर देता है। उदाहरण के लिए, MiniVLA पर, संचार ~234.6 MB (Retrain) से गिरकर ~54 MB (MUTE) हो गया।
भौतिक टेस्टबेड: Jetson हार्डवेयर पर सत्यापन ने पुष्टि की कि लेटेंसी, बैंडविड्थ और व्यवहारिक पुनरावृत्ति में MUTE के रुझान वास्तविक दुनिया के एज वातावरण में भी लागू होते हैं।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि संचालित नेटवर्क में विश्वसनीय डेटा विलोपन केवल एक बार की घटना नहीं बल्कि एक निरंतर रक्षा (standing defense) होनी चाहिए।

वर्तमान विधियों की सीमा: लेखक तर्क देते हैं कि स्व-सुधारने वाले सिस्टम के लिए मौजूदा FU विधियाँ अपर्याप्त हैं क्योंकि वे उस फीडबैक लूप को अनदेखा करती हैं जहाँ पॉलिसियाँ भविष्य के डेटा को आकार देती हैं।
MUTE की आवश्यकता: MUTE को एक आवश्यक विकास के रूप में प्रस्तुत किया गया है जो प्रोवेनेंस ट्रेसिंग (इको को खोजने के लिए), कंटेनमेंट (इको को फैलने से रोकने के लिए), और शेड्यूलिंग (रक्षा को बनाए रखने के लिए) को जोड़ता है।
सीमित दायरा: यह पेपर सभी AI गोपनीयता समस्याओं को हल करने का दावा नहीं करता है, बल्कि विशेष रूप से स्व-सुधारने वाले फेडरेटेड एजेंट नेटवर्क में "इन्फ्लुएंस इको" को लक्षित करता है। यह इस बात पर जोर देता है कि हालांकि लाइव नेटवर्क में पूर्ण काउंटरफैक्चुअल विलोपन (एक ऐसी दुनिया का पुनर्निर्माण जहाँ $D_f$ कभी अस्तित्व में नहीं था) असंभव है, MUTE लीकेज को चांस लेवल तक ले जाता है और संसाधन सीमाओं के भीतर पुनरुत्पत्ति को रोकता है।

कार्य यह निष्कर्ष निकालता है कि MUTE जैसे तंत्रों के बिना, स्व-सुधारने वाले नेटवर्क में "भूल जाने का अधिकार" (right to be forgotten) प्रभावी रूप से लागू करने योग्य नहीं है, क्योंकि नेटवर्क का अपना लर्निंग लूप अनिवार्य रूप से हटाए गए डेटा के प्रभाव को पुनर्जीवित कर देगा।