본 논문은 대규모 언어 모델(LLM) 내에서의 머신 언러닝 기법, 즉 LLM 언러닝을 조사합니다. LLM 언러닝은 재훈련 없이 전체 유용성을 유지하면서 LLM에서 원치 않는 데이터(예: 민감하거나 불법적인 정보)의 영향을 제거하는 원칙적인 접근 방식을 제공합니다. 증가하는 연구 관심에도 불구하고, 기존 연구를 체계적으로 정리하고 주요 통찰력을 추출하는 포괄적인 조사는 없습니다. 본 논문은 이러한 간극을 해소하고자 합니다. LLM 언러닝의 정의와 패러다임을 소개한 후, 기존 언러닝 연구에 대한 포괄적인 분류 체계를 제시합니다. 그 다음, 현재 언러닝 접근 방식을 범주화하고, 각각의 강점과 한계를 요약합니다. 또한, 평가 지표와 벤치마크를 검토하여 현재 평가 방법론에 대한 구조적인 개요를 제공합니다. 마지막으로, 미래 연구를 위한 유망한 방향을 제시하고, 이 분야의 주요 과제와 기회를 강조합니다.
