연구진은 기계 역학습, 즉 학습 데이터로부터 훈련된 모델의 정보를 제거하는 문제를 연구했어요. 인증 역학습과 최적화 정확도를 동시에 달성하는 역학습 알고리즘의 복잡성을 최적화 관점에서 분석했어요. 균일하게 볼록한 정규화 기법을 활용해, 제거된 데이터가 역학습된 모델에 잘 예측될 경우 해당 최적화 문제는 간단하다는 것을 이론적으로 입증했어요.
새로운 2차 오더 역학습 알고리즘을 개발하고, 선형 모델에서 준-자가 조화 손실을 사용하는 경우 빠른 수렴 속도를 보임을 증명했어요. 이 이론은 로지스틱 및 지수 회귀에 적용 가능하며, 1차 오더 역학습 방법보다 2차 오더 정보를 활용하는 것이 유리함을 보여줘요.
연구 결과는 로지스틱 및 지수 회귀에 대한 역학습에 적용 가능하며, 2차 오더 정보 활용의 이점을 입증합니다.