언러닝 비용을 낮추는 법: 영향력이 낮은 데이터 포인트를 활용한 연산 비용 절감

머신러닝의 데이터 프라이버시 문제가 중요해짐에 따라, 학습된 모델에서 특정 데이터 포인트를 제거하는 언러닝(Unlearning) 기술의 중요성이 커지고 있다. 하지만 기존의 최첨단 언러닝 방식은 삭제 대상인 '포겟 세트(forget set)' 내의 모든 데이터를 동일한 비중으로 처리한다는 한계가 있다.

본 연구는 모델의 학습에 미치는 영향이 미미한 데이터 포인트까지 굳이 제거할 필요가 있는지에 대한 의문을 제기한다. 연구진은 언어 및 비전 태스크 전반에서 **영향 함수(Influence Functions)**를 비교 분석하여, 모델 출력에 거의 영향을 주지 않는 데이터 서브셋을 식별해냈다.

이러한 통찰을 바탕으로, 언러닝을 수행하기 전 데이터셋의 크기를 미리 줄이는 효율적인 언러닝 프레임워크를 제안한다. 실제 환경에서의 실험 결과, 이 방식은 연산 비용을 최대 약 **50%**까지 절감하는 성과를 보였다.