본 논문은 기존 머신 언러닝 연구가 잊어야 할 데이터(forget set)가 모든 훈련 데이터에서 균일하게 분포한다고 가정하는 한계를 지적하며, 특정 그룹에 치우쳐 분포된 forget set에 대한 문제, 즉 그룹 강건성 머신 언러닝(group-robust machine unlearning)을 다룬다. 기존 방법론의 한계로 인해 특정 그룹의 성능 저하 및 공정성 문제 발생 가능성을 제시하고, 이를 해결하기 위해 샘플 분포 재가중치(sample distribution reweighting)를 활용하는 간단하면서도 효과적인 전략을 제안한다. 특히, 근사 머신 언러닝(approximate machine unlearning)에서 그룹 강건성을 위한 최초의 접근 방식인 MIU (Mutual Information-aware Machine Unlearning)를 제시한다. MIU는 모델 특징과 그룹 정보 간의 상호 정보(mutual information)를 최소화하여, 우세 그룹의 성능 저하를 줄이면서 언러닝을 달성한다. 또한, 샘플 분포 재가중치와 원래 모델과의 상호 정보 보정을 활용하여 그룹 강건성을 유지한다. 세 개의 데이터셋을 이용한 실험을 통해 MIU가 기존 방법보다 우수한 성능을 보이며, 모델의 강건성을 저해하지 않고 언러닝을 달성함을 보여준다.
