본 논문은 대규모 생성 모델 (VAE, DDPM 등)에서 "잊혀질 권리"를 준수하고 원치 않는 콘텐츠 생성을 방지하기 위한 기계 학습 해제 (Machine Unlearning) 방법을 제안한다. 기존의 Static-lambda SISS와 같은 방식은 고정된 혼합 가중치 람다를 사용하지만, 샘플 및 학습 단계에 따라 필요한 해제 강도가 다르기 때문에 최적화되지 않는다. 본 논문은 람다를 각 훈련 단계에서 동적으로 추론되는 잠재 변수로 변환하는 Adaptive-lambda SISS를 제안한다. 경량 추론 네트워크는 순간 SISS 손실 (유지/삭제 손실 및 기울기)에서 파생된 컨텍스트 특징을 기반으로 람다에 대한 적응형 사후 분포를 매개변수화한다. 이를 통해 변분 목표를 통해 확산 모델과 람다 추론 메커니즘을 공동 최적화하여 상당한 성능 향상을 달성한다. 또한 점수 기반 해제에 Adaptive-lambda 원리를 확장하고 Score Forgetting Distillation의 다중 클래스 변형을 도입했다. 데이터 프리 효율성과 SISS의 직접적인 기울기 제어를 결합한 하이브리드 목표와, 해제를 순차적 의사 결정 프로세스로 처리하여 모델의 현재 forget set에 대한 메모리로 정의된 상태 공간에서 최적의 정책을 학습하는 강화 학습 공식을 제시한다. MNIST 벤치마크 실험 결과, Adaptive-lambda SISS는 기존 Static-lambda SISS보다 성능이 뛰어나 잊혀진 클래스를 더 효과적으로 제거하면서 유지 세트에 대한 생성 품질을 더 잘 유지함을 입증했다.
