본 논문은 기존의 머신 언러닝(MU) 방법론들이 직면하는 확장성 문제를 해결하기 위해, 분류 훈련을 순차적인 과정으로 간주하는 "귀납적 접근 방식"을 제시합니다. 이 방법은 마지막 훈련 시퀀스를 역전시키는 방식으로 지식을 제거하며, 모델의 끝에 투영-재분배 레이어를 추가하여 구현됩니다. 이는 기존 데이터 세트나 모델에 대한 전체 접근 없이도 가능하며, 기존 분류 파이프라인에 최소한의 변경으로 모듈식 및 모델 독립적인 배포를 가능하게 합니다. 이미지 데이터셋(CIFAR-10/100, CNN 기반 모델) 및 표 형식 데이터셋(Covertype, 트리 기반 모델)을 포함한 다양한 데이터셋에 대한 실험을 통해, 제안된 방법론이 전체 재훈련 모델과 유사한 출력을 생성하면서 높은 계산 비용 절감 효과를 보임을 입증했습니다.
