본 논문은 규제 준수, 저작권 보호 및 개인 정보 보호 문제로 인해 대규모 언어 모델(LLM)에서 언러닝의 중요성이 증가함에 따라, 의도하지 않은 망각 문제 해결에 초점을 맞춘다. 특히, 특정 데이터 제거가 모델의 유용성을 저해하는 문제를 해결하기 위해 데이터 수준 요인이 언러닝 성능에 미치는 영향을 연구한다. GUARD라는 새로운 프레임워크를 제안하며, 이는 데이터 속성을 기반으로 한 가중 언러닝을 통해 고충격 데이터의 유지를 향상시킨다. GUARD는 계산 효율적인 프록시 데이터 속성 메트릭을 도입하여 Forget 및 Retain 세트 간의 정렬을 정량화하고, 속성 점수에 반비례하는 가변적인 언러닝 가중치를 샘플에 할당하는 새로운 언러닝 목표를 설계한다.
