본 논문은 기존 머신 언러닝(MU) 기술의 두 가지 중요한 취약점, 즉 '과도한 언러닝(over-unlearning)'과 '사후 재학습(relearning) 공격'에 초점을 맞추고 있습니다. '과도한 언러닝'은 삭제 대상 데이터셋 근처의 유용한 데이터까지 손상시키는 현상이며, '사후 재학습 공격'은 삭제된 지식을 복원하려는 시도입니다. 이를 해결하기 위해 본 논문은 과도한 언러닝 정도를 측정하는 지표 OU@ε를 제시하고, 새로운 재학습 공격 방식인 '원형 재학습 공격(Prototypical Relearning Attack)'을 밝힙니다. 마지막으로, 과도한 언러닝을 억제하고 원형 재학습 공격을 무력화하는 플러그 앤 플레이 방식의 목적 함수 Spotter를 제안합니다. Spotter는 CIFAR-10 데이터셋 실험에서 기존 방식보다 과도한 언러닝을 크게 줄이고, 삭제된 데이터에 대한 정확도를 0%로 유지하면서, 기존 데이터 정확도를 거의 유지하고, 원형 재학습 공격을 효과적으로 방어하는 결과를 보였습니다.
