머신 언러닝 (Machine Unlearning, MU)은 전체 재학습을 요구하지 않고 학습된 모델에서 특정 데이터 포인트를 제거하기 위한 중요한 기술로 부상했습니다. 그러나 기존의 대부분의 MU 연구는 딥러닝 (Deep Learning)과 이미지 데이터에 집중되어 있어, 정형 데이터 (Tabular Data)에 크게 의존하는 네트워크 침입 탐지 (Network Intrusion Detection) 영역에는 공백이 존재합니다. 본 연구는 이러한 공백을 메우기 위해 XGBoost 모델을 위한 언러닝 접근 방식인 XGBoost-Forget을 소개합니다. 이 접근 방식은 두 가지 정형 네트워크 침입 (Network Intrusion, NI) 데이터셋인 IoT-23 및 GeNIS를 사용하여 모델 성능, 언러닝 효율성 및 망각 품질 (Forgetting Quality)을 평가하기 위해 여러 지표를 사용해 평가되었습니다. 결과에 따르면 XGBoost-Forget은 원래 모델에 근접한 예측 성능을 유지하면서도 훨씬 빠른 언러닝을 제공하며, 정형 NI 환경에서 MU의 잠재력을 입증했습니다.