본 논문은 클래스 unlearning 평가에서 근본적인 클래스 기하학을 간과하는 것이 개인 정보 유출을 야기할 수 있다는 중대한 단점을 밝힙니다. 이를 해결하기 위해, 가까운 이웃을 통한 멤버십 추론 공격(MIA-NN)을 제안합니다. 이 공격은 모델이 인접 클래스에 할당하는 확률을 사용하여 unlearned 샘플을 탐지합니다. 또한, forget-class 입력에 대해 처음부터 다시 훈련된 모델이 생성할 나머지 클래스에 대한 분포를 근사화하여 개인 정보 유출을 완화하는 새로운 fine-tuning 목표인 Tilted ReWeighting(TRW)을 제시합니다. TRW는 클래스 간 유사성을 추정하고 그에 따라 대상 모델의 분포를 조정하여 구성됩니다. 실험 결과, TRW는 여러 벤치마크에서 기존 unlearning 방법과 동등하거나 더 나은 성능을 보였습니다. 특히, CIFAR-10에서 TRW는 U-LiRA 및 MIA-NN 점수에서 각 카테고리별 SOTA 방법 대비 retrained 모델과의 격차를 각각 19% 및 46% 감소시켰습니다.
