연구진은 기존 머신 언러닝 평가의 구조적 편향 문제를 지적하며, 인과 관계 지식 평가 부족을 해결하기 위해 5WBENCH 벤치마크를 새롭게 공개했어요.
5WBENCH는 5W(Who, What, When, Where, Why) 카테고리별로 1,000개씩 균형 잡힌 5,000개 샘플로 구성되어, 인과 관계 언러닝 실패를 처음으로 정량화할 수 있도록 설계됐어요.
MAAT(Multi-phase Adapter-Aware Targeted Unlearning)는 기존 방법론의 한계를 극복하고 높은 망각과 높은 유지율을 동시에 달성하며 인과 관계 지식 언러닝의 새로운 가능성을 제시했어요.