머신 러닝 모델, 특히 대규모 분류기와 언어 모델의 성공은 대규모 데이터 학습에 크게 의존합니다. 이러한 데이터는 종종 온라인 소스에서 수집되므로, 사용자가 데이터 사용에 동의하지 않았을 수 있다는 점에서 개인 데이터 보호에 대한 우려가 제기됩니다. 이 문제를 해결하기 위해, 본 연구에서는 모델이 효과적으로 학습하지 못하도록 의도적으로 변경된 데이터 인스턴스인 "unlearnable examples"의 개념을 소개합니다. 기존 방법론은 경험적 효과를 보이지만, 정형화된 보장이 부족하고, unlearnable examples가 일반 데이터와 혼합될 경우 효과가 사라지는 단점이 있습니다. 본 연구에서는 irreducible classification error 측정치인 Bayes error를 체계적으로 최대화하여 unlearnable examples를 구성하는 새로운 접근 방식을 제안합니다. 최적화 기반 접근 방식을 개발하고, projected gradient ascent를 사용하여 효율적인 솔루션을 제공합니다. 제안하는 방법은 Bayes error를 입증적으로 증가시키며, unlearning examples가 일반 샘플과 혼합된 경우에도 효과를 유지합니다. 여러 데이터 세트와 모델 아키텍처에 대한 실험 결과는 이론적 분석과 일치하며, 제안하는 방식이 데이터 학습 가능성을 제한하여 실제적으로 효과적임을 보여줍니다.
