본 논문은 대규모 딥러닝을 위해 개발된 다양한 근사 기계 언러닝 방법의 효과를 재검토합니다. 데이터 삭제 요청 준수 외에도, 언러닝 방법의 잠재적 응용 분야로는 독성 데이터의 영향 제거가 자주 언급됩니다. 실험 결과, 기존 언러닝 방법들은 여러 설정에서 효과적임이 입증되었지만, 다양한 유형의 독성 공격(무차별, 표적, 새롭게 도입된 가우시안 독성 공격)과 모델(이미지 분류기 및 LLM)에 걸쳐 독성 데이터의 영향을 제거하는 데 실패함을 보여줍니다. 이는 상대적으로 큰 컴퓨팅 예산을 사용한 경우에도 마찬가지입니다. 독성 데이터 기반 언러닝 효과를 정확하게 특성화하기 위해, 본 논문은 새로운 평가 지표를 제시합니다. 결과는 딥러닝에 대한 기계 언러닝 절차에 대한 검증 가능한 보장 없이 과도한 자신감을 피하기 위해서는 더 넓은 관점과 다양한 평가가 필요함을 시사합니다. 재훈련 없이 효율적으로 독성 데이터를 제거하는 데 유용하다는 몇 가지 징후를 보이지만, 본 연구는 이러한 방법들이 아직 실전 배치에는 준비되지 않았으며, 현재 재훈련보다 제한된 이점만 제공함을 시사합니다.
