본 논문은 기존 머신 언러닝(MU) 기법의 두 가지 주요한 한계점, 즉 '과도한 언러닝(over-unlearning)'과 '사후 재학습 공격(post-hoc relearning attacks)'에 초점을 맞춘다. 과도한 언러닝은 삭제 대상 데이터(forget set) 근처의 데이터까지 손상시키는 현상을 의미하며, 사후 재학습 공격은 삭제된 지식을 복원하려는 시도를 말한다. 논문에서는 과도한 언러닝을 측정하는 지표 OU@ε를 제시하고, 새로운 재학습 공격 방식인 '원형 재학습 공격(Prototypical Relearning Attack)'을 밝힌다. 이러한 문제점을 해결하기 위해, 'Spotter'라는 플러그 앤 플레이 방식의 목적 함수를 제안한다. Spotter는 과도한 언러닝을 억제하고 원형 재학습 공격을 무력화하기 위해 마스크 지식 증류 페널티와 클래스 내 분산 손실을 결합한다. CIFAR-10 실험 결과, Spotter는 기존 방식 대비 과도한 언러닝을 크게 감소시키고, 삭제된 데이터에 대한 정확도를 0%로 유지하면서, 남은 데이터에 대한 정확도 손실을 최소화하고 원형 재학습 공격을 방어하는 효과를 보였다.
