머신 언러닝(machine unlearning)은 AI 모델이 이전에 학습한 특정 개념을 잊게 만드는 기술이지만, 유지되어야 할 의미적으로 연관된 개념까지 의도치 않게 손상되는 '간섭(interference)' 현상은 그동안 제대로 규명되거나 일관되게 평가되지 못했다. 이 논문은 생성형 언러닝에서 간섭을 정식 연구 대상으로 규정하는 방법론 I-CARE를 제안한다. 새로운 벤치마크나 언러닝 알고리즘을 제시하는 대신, 과제·지표·결과 보고 템플릿에 대한 공식 정의를 제공해 다양한 언러닝 환경에서 간섭 현상을 체계적이고 재현 가능하게 연구할 수 있도록 한다. 최신 알고리즘과 자주 쓰이는 데이터셋으로 실현 가능성을 검증한 결과, I-CARE가 여러 언러닝 설정에서 간섭 패턴에 대한 유의미한 분석을 가능하게 함을 확인했다. 연구팀은 코드 직접 조작 없이도 결과를 탐색할 수 있는 웹 기반 그래픽 인터페이스와 함께 오픈소스로 구현체를 공개했다.

• •머신 언러닝에서 유지되어야 할 연관 개념이 손상되는 '간섭(interference)' 현상을 정식 연구 대상으로 규정하는 I-CARE 방법론 제안
• •새 벤치마크나 알고리즘이 아닌 과제·지표·보고 템플릿의 공식 정의 제공
• •모델·알고리즘 변화에도 유효한 장기적 과학적 통찰과 일시적 실험 결과를 분리하도록 설계
• •최신 알고리즘·데이터셋으로 실현가능성 검증을 수행해 간섭 패턴 분석의 실용성 확인
• •코드 조작 없이도 결과를 탐색할 수 있는 웹 기반 GUI와 함께 오픈소스로 공개