최근 machine unlearning은 학습이 완료된 모델에서 특정 데이터의 영향을 재학습 없이 제거하는 문제로 주목받고 있으며, 개인정보 보호 규제와 배포된 모델의 사후 수정 요구가 커지면서 그 중요성이 부각되고 있다. 특히 특정 클래스 전체를 삭제하는 class-level unlearning은 요청 단위가 개별 샘플이 아니라 클래스라는 점에서 별도의 접근을 필요로 한다. 처음부터 다시 학습하는 exact unlearning은 확실하지만 비용이 크기 때문에, 재학습한 모델의 행동을 근사하는 approximate unlearning이 실용적 대안으로 연구되어 왔다. 이때 삭제의 목표는 forget 클래스의 정확도를 0으로 만드는 것이 아니라, 해당 클래스 없이 학습한 모델과 구분할 수 없는 행동을 재현하는 것이며, 과도한 삭제는 오히려 삭제 흔적을 노출한다는 점에서 평가 방식이 핵심 과제로 자리 잡았다. 본 세미나에서는 class-level unlearning의 기본 개념과 주요 방법론의 계보, 평가 방식의 원칙, 그리고 서로 닮은 클래스 간 얽힘이라는 최신 문제의식까지의 흐름을 살펴보고자 한다.

참고자료: