본 논문은 음성 데이터에서의 머신 언러닝(Machine Unlearning)이라는 새로운 연구 문제를 제시합니다. 머신 언러닝은 재훈련 없이 훈련된 음성 모델에서 특정 데이터의 영향을 효율적이고 효과적으로 제거하는 것을 목표로 합니다. 이는 개인정보 보호, 오래되거나 잡음이 많은 데이터 제거, 편향 완화에 중요한 응용 분야를 가지고 있습니다. 음성 데이터의 고차원성, 순차성, 화자 의존성으로 인해 이미지나 텍스트 데이터와 달리 음성 데이터에서의 머신 언러닝은 거의 연구되지 않았습니다. 본 논문에서는 개별 데이터 포인트(예: 음성 녹음)를 제거하는 샘플 언러닝과 전체 범주(예: 특정 화자의 모든 데이터)를 제거하는 클래스 언러닝이라는 두 가지 기본적인 음성 언러닝 작업을 정의하고, 키워드 발견 및 화자 식별 작업에 대한 실험을 통해 음성 데이터 언러닝이 이미지 또는 텍스트 데이터 언러닝보다 훨씬 더 어렵다는 것을 보여줍니다. 마지막으로 구조화된 훈련, 강력한 평가, 특징 수준 언러닝, 광범위한 응용, 확장 가능한 방법 및 적대적 강건성을 포함한 향후 연구 방향을 제시합니다.
