SMI: Statistical Membership Inference for Reliable Unlearned Model Auditing

机器遗忘（Machine Unlearning, MU）旨在实现机器学习系统中的“被遗忘权”，其核心挑战在于如何可靠地审计模型是否真正遗忘了指定的训练数据。现有的审计方法普遍依赖成员推断攻击（Membership Inference Attacks, MIA），将无法被识别为成员的样本视为已成功遗忘。然而，该假设存在根本性缺陷：推断失败并不意味着真正的遗忘。研究表明，被遗忘样本在特征空间中的分布与非成员样本存在本质差异，导致传统MIA方法不可避免地产生对齐偏差，从而系统性高估遗忘效果。同时，训练影子模型以执行MIA带来了巨大的计算开销。为此，提出了一种无需训练的统计性成员推断框架（Statistical Membership Inference, SMI），将遗忘审计重构为估计未遗忘特征分布中非成员混合比例的问题。SMI不仅能够估计遗忘率，还通过自助法提供参考范围以量化审计结果的可靠性。大量实验表明，SMI在无需训练任何影子模型的情况下，性能持续优于所有基于MIA的基线方法，为机器遗忘审计建立了一个兼具理论保证和高效实证表现的新范式。