개인 정보 보호 규정 준수를 위해 딥러닝 모델에서 데이터 삭제가 필요하며, 특히 데이터가 클라이언트에 분산되어 있는 연합 학습(Federated Learning, FL) 환경에서는 재학습이나 조정된 업데이트가 어렵다는 문제가 있습니다. 본 연구에서는 정보 이론에 기반한 효율적인 연합 언러닝(Federated Unlearning) 프레임워크를 제시합니다. 이 프레임워크는 정보 유출을 매개변수 추정 문제로 모델링하고, 이차 헷세 행렬 정보를 사용하여 삭제 대상 데이터에 가장 민감한 매개변수를 선택적으로 재설정합니다. 이후 최소한의 연합 재학습을 수행합니다. 제안하는 모델은 범주형 및 클라이언트 언러닝을 지원하며, 서버가 초기 정보 집계 후 클라이언트의 원시 데이터에 접근할 필요가 없습니다. 벤치마크 데이터셋 평가 결과, 강력한 개인 정보 보호(MIA 성공률이 무작위에 가까움, 범주형 지식 삭제)와 높은 성능(재학습 벤치마크 대비 정규화된 정확도 ≈ 0.9)을 보였습니다. 또한, 표적 백도어 공격 시나리오에서 악성 트리거를 효과적으로 중화하여 모델 무결성을 복원합니다.
