본 논문은 기존 머신 언러닝 방법들이 모델 응답만 조정하여 데이터나 행동을 잊은 척하는 '얕은 망각' 현상을 보이는 문제점을 지적합니다. 연구진은 훈련 없이 성능을 복구하는 공격과 기울기 역전 기반 데이터 재구성 공격을 통해 다양한 언러닝 방법의 얕은 망각 현상을 실험적으로 확인했습니다. 이러한 취약성을 근본적으로 해결하기 위해, 데이터의 특징 표현에 대한 단일점 수축(one-point-contraction)에 기반한 '깊은 망각'의 이론적 기준을 정의하고, 효율적인 근사 알고리즘과 새로운 범용 언러닝 알고리즘인 One-Point-Contraction (OPC)을 제안합니다. 이미지 분류 언러닝 벤치마크에 대한 실험 평가 결과, OPC는 효과적인 언러닝 성능뿐만 아니라 성능 복구 공격 및 기울기 역전 공격에 대한 우수한 복원력을 달성하는 것으로 나타났습니다. OPC의 독특한 언러닝 성능은 이론적 기반에 의해 강화된 깊은 특징 망각에서 비롯되며, 머신 언러닝 방법의 향상된 강건성의 필요성을 재확인합니다.
