연구진이 불소 학습 알고리즘의 효과를 검증하는 감사 도구를 개발했어요. 멤버십 추론 공격을 활용해 학습 데이터 영향에 대한 하한선을 계산하는 방식이에요. 실험 결과, 모델 클리핑과 리와인드-투-디리트 같은 엄격한 보증을 가진 알고리즘은 낮은 불소 학습 파라미터 값을 보여, 불소 학습 보증을 위반하지 않았어요.
헤세이안 기반 불소 학습, 교차 상승-하강, 망각 집합에 대한 상승, 유지 집합에 대한 미세 조정 등 경험적 방법은 높은 불소 학습 파라미터 값을 나타냈어요. 이는 불완전한 불소 학습을 의미해요.