[논문리뷰] Is Forgetting Unified? Exploring Concept Unlearning in Unified Multimodal Models본 논문은 통합형 멀티모달 모델(UMM)에서 기존의 단일 경로(Single-Pathway) 삭제 방식이 양방향 삭제를 보장하지 못한다는 문제를 해결합니다. 생성 모델 위주의 삭제 기법은 타겟 개념 생성을 억제할 수 있으나 시각적 이해 경로에서의 식별을 막는 데 한계가 있으며, 반대의 경우도 마찬가지입니다 .#Review#Unified Multimodal Models#Concept Unlearning#Cross-Pathway#Machine Unlearning#Diagnostic Benchmark2026년 11월 3일댓글 수 로딩 중
[논문리뷰] Sparse Feature Policy Unlearning Mitigates State Hallucination in Vision-Language-Action Models본 논문은 VLA가 실제 환경에서 로봇-객체 상태를 오인하여 발생하는 State Hallucination 문제를 해결하는 것을 목적으로 합니다.#Review#Vision-Language-Action Models#State Hallucination#Sparse Autoencoders#Machine Unlearning#Robot Manipulation2026년 10월 19일댓글 수 로딩 중
[논문리뷰] The More Popular, The Harder to Forget: Adaptive Popularity for LLM Unlearning본 논문은 기존의 LLM 언러닝 기법들이 학습 데이터의 빈도나 사실의 인기도를 고려하지 않고 모든 fact에 대해 균일한 gradient 압력을 가함으로써 발생하는 'Popularity Gap' 문제를 해결하고자 합니다 .#Review#Machine Unlearning#LLM#Popularity Bias#Gradient Ascent#Dual-Ascent Controller#Parametric Memorization2026년 8월 19일댓글 수 로딩 중
[논문리뷰] MAAT: Multi-phase Adapter-Aware Targeted Unlearning본 논문은 기존의 기계 망각(machine unlearning) 연구들이 인과 관계(causal knowledge)를 다루는 'Why-type' 질문에 대한 평가가 전무하다는 결정적인 결함을 해결하고자 한다.#Review#Machine Unlearning#LoRA#Causal Knowledge#5WBench#Adapter-Aware#SVD Pruning2026년 5월 31일댓글 수 로딩 중
[논문리뷰] Scrub It Out! Erasing Sensitive Memorization in Code Language Models via Machine Unlearning본 논문은 Code Language Models (CLMs) 에서 발생하는 민감한 훈련 데이터의 의도치 않은 기억(memorization) 문제를 해결하고자 합니다.#Review#Code Language Models#Machine Unlearning#Sensitive Memorization#Privacy#Gradient Ascent#Model Utility#Code Generation2025년 9월 18일댓글 수 로딩 중
[논문리뷰] Efficient Machine Unlearning via Influence Approximation본 논문은 대규모 데이터셋과 빈번한 삭제 요청이 발생하는 환경에서 기존 영향 함수 기반 언러닝(unlearning) 방식의 높은 계산 비용과 메모리 오버헤드 문제를 해결하고자 합니다.#Review#Machine Unlearning#Influence Function#Incremental Learning#Privacy Protection#Gradient Optimization#Model Editing#Computational Efficiency2025년 8월 2일댓글 수 로딩 중