본 논문은 기존의 머신 언러닝(machine unlearning) 기법이 이진 데이터 제거 방식을 사용하여 정보 손실(over-unlearning) 문제를 야기하는 점을 지적한다. 이러한 over-unlearning은 유틸리티 저하를 초래하는 것으로 알려져 있지만, 본 논문에서는 반실증적 leave-one-out 분석을 통해 근본 원인을 탐구한다. 이를 해결하기 위해, 볼록 이차 계획 문제를 해석적으로 풀어 각 샘플에 가중치를 할당하는 가중 영향 함수(weighted influence function)를 제안한다. 이를 기반으로, over-unlearning 문제를 해결하기 위한 소프트 가중(soft-weighted) 프레임워크를 제시하며, 이는 기존의 대부분의 언러닝 알고리즘에 통합될 수 있다. 실험 결과, 제안된 소프트 가중 방식이 공정성 및 강건성 측면에서 기존 하드 가중 방식보다 우수하며, 유틸리티 저하를 완화함을 보여준다.
