# Machine Unlearning in the Era of Quantum Machine Learning: An Empirical Study

### 저자

Carla Crivoi, Radu Tudor Ionescu

### 💡 개요

본 논문은 양자-고전 하이브리드 신경망에서의 기계 학습 삭제(machine unlearning)에 대한 최초의 경험적 연구를 제시합니다. 기존 고전 딥러닝에서 활발히 연구된 기계 학습 삭제 기법들을 양자 환경에 맞게 적응시키고, 하이브리드 모델을 위한 새로운 삭제 전략 두 가지를 제안했습니다. 다양한 데이터셋과 삭제 시나리오에서 양자 모델이 효과적인 학습 삭제를 지원하지만, 회로 깊이, 얽힘 구조, 과제 복잡성에 따라 결과가 크게 달라짐을 발견했습니다.

### 🔑 시사점 및 한계

- 양자-고전 하이브리드 신경망에서도 효과적인 기계 학습 삭제가 가능함을 경험적으로 입증했습니다.

- 회로의 깊이, 얽힘 구조, 과제의 복잡성이 학습 삭제의 성능에 중요한 영향을 미침을 밝혔습니다.

- EU-k, LCA, Certified Unlearning과 같은 특정 삭제 기법들이 유용성, 망각 강도, 재학습 오라클과의 정렬 간에 좋은 균형을 제공함을 확인했습니다.

- 현재 연구는 양자 기계 학습 시스템의 확장 및 역량 강화에 따라 양자 인식 알고리즘 및 이론적 보증의 필요성을 강조하며, 이는 향후 양자 기계 학습 보안 및 개인 정보 보호 연구의 중요한 방향이 될 것입니다.

[PDF 보기](https://arxiv.org/pdf/2512.19253)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).