연합 언러닝 (Federated Unlearning, FU)은 분산 시스템에서 '잊힐 권리'와 같은 법적 명령을 준수하는 데 매우 중요하지만, 현재의 방법들은 비대상 지식 손실 (non-target knowledge loss)과 높은 요청 지연 시간 (request latency) 사이의 지속적인 딜레마에 직면해 있습니다. 이러한 문제를 해결하기 위해, 우리는 원래 모델의 성능을 보존하면서 대상 데이터를 걸러내는 '지식 깔때기 (knowledge funnel)' 역할을 하는 경량화된 플러그형 필터 (pluggable filters)를 활용하는 원샷 연합 언러닝 프레임워크인 FedUP을 제안합니다. FedUP은 원래 모델의 파라미터를 동결하고, 차분 프라이버시 (Differentially Private, DP)로 보호된 클래스 중심점 (class centroid) 샘플을 사용하여 서버 측에서 필터를 학습함으로써, 다회차 클라이언트-서버 통신 및 복잡한 재학습의 필요성을 우회하여 언러닝 지연 시간을 분 단위에서 단 몇 초로 단축합니다. 또한, 이 프레임워크의 플러그형 아키텍처는 내재적인 가역성 (reversibility)을 보장하여, 필터를 제거하는 것만으로 잊혀진 지식을 원활하게 복구할 수 있게 합니다. 다양한 이미지 및 텍스트 작업에 대한 광범위한 실험을 통해, FedUP이 비대상 지식 손실을 효과적으로 줄이고 다양한 시나리오에서 우수한 언러닝 정밀도와 효율성을 달성함을 입증했습니다. 코드는 다음에서 확인할 수 있습니다: https://github.com/suows/FedUP-code.