CATA: 충돌 회피형 태스크 산술을 통한 지속적 머신 언러닝 (Continual Machine Unlearning)

요약

본 연구는 시각-언어 모델(VLM)에서 개인정보 보호 및 저작권 문제를 해결하기 위해 순차적인 삭제 요청을 처리하는 '지속적 머신 언러닝' 기술을 제안합니다. 제안된 CATA 방법론은 각 망각 요청을 태스크 벡터로 변환하고, 부호 인식 충돌 회피 집계를 통해 이전의 망각 효과가 약화되는 것을 방지합니다. 실험 결과, CATA는 기존 방식보다 망각의 효과성, 모델의 유용성 보존, 그리고 망각의 지속성 측면에서 모두 우수한 성능을 입증했습니다.

핵심 포인트

• VLM을 위한 지속적 머신 언러닝(Continual Machine Unlearning)의 세 가지 핵심 과제(효과성, 충실도, 지속성) 식별
• 망각 요청을 언러닝 태스크 벡터로 표현하는 CATA 방법론 제안
• 부호 인식 충돌 회피 집계(sign-aware conflict-averse aggregation)를 통해 업데이트 간 충돌 억제
• 단일 샷 및 지속적 설정 모두에서 기존 베이스라인 대비 우수한 성능 확인