오프라인 확률적 다중 팔 (MAB) 의 기계적 잊기: 원론적 접근과 성능 보장

요약

본 논문은 시계열 의사결정 시스템 중 하나인 오프라인 확률적 다중 팔(MAB)에 대한 기계적 잊기(machine unlearning) 방법을 제시합니다. 기존 연구가 부족했던 이 분야의 프라이버시 제약을 공식화하고, 데이터 삭제 요청을 처리하는 새로운 접근 방식을 개발했습니다. 특히 가우스 메커니즘과 롤백 기반 알고리즘을 결합한 적응형 알고리즘을 제안하며, 다양한 데이터 환경에서 성능 보장(performance guarantee)를 제공함을 입증합니다.

핵심 포인트

• 기계적 잊기는 전체 재학습 없이 모델에서 데이터를 삭제하여 프라이버시 위험을 완화하는 핵심 기술이다.
• 본 연구는 시계열 의사결정 시스템인 오프라인 MAB에 초점을 맞추어, 해당 분야의 잊기 문제를 체계적으로 다룬다.
• 제안된 알고리즘은 가우스 메커니즘과 롤백(rollback)이라는 두 가지 표준 기반 방법을 결합한 적응형 방식을 채택한다.
• 연구는 고정 샘플 및 분포 모델 등 다양한 데이터 생성 환경에서 성능 보장 하한 경계를 설정하고 그 효과를 검증했다.