데이터 기여자가 삭제를 요청해도 어떤 학습 레코드가 그 저자의 것인지 찾아낼 도구가 없어 언러닝의 forget set을 만들 수 없다는 실무 공백을 겨냥한 레코드·토큰 수준 데이터 계보(provenance) 시스템 연구다. 기존 계보 시스템은 파일·데이터셋 단위여서 과도한 삭제를 강요하지만, 제안 시스템은 데이터 처리 파이프라인 전체에 저자 정보를 전파하고 결정론적 쿼리로 삭제 요청을 정밀한 forget set으로 변환한다. 위키피디아 21만 9,555개 페이지 평가에서 과잉 삭제를 101배에서 1.3배로 줄였고, 통합 오버헤드는 HuggingFace 파이프라인에서 1.3~4.0%, Datatrove에서 2.1~19.0% 수준이었다. 1.7B 모델에서는 계보 기반 forget set이 무작위 대비 언러닝 성능을 42% 개선해, 삭제권 대응과 머신 언러닝을 잇는 실용 인프라 가능성을 보여준다.

• •파이프라인 전체에 저자 정보를 전파하는 레코드·토큰 수준 데이터 계보 시스템 제안
• •삭제 요청을 결정론적 쿼리로 정밀 forget set으로 변환 — 기존 파일/데이터셋 단위 과잉 삭제 문제 해소
• •위키피디아 219,555페이지에서 과잉 삭제 101배→1.3배로 감소
• •통합 오버헤드: HuggingFace 1.3~4.0%, Datatrove 2.1~19.0%
• •1.7B 모델에서 계보 기반 forget set이 무작위 대비 언러닝 성능 42% 개선