연구진은 양자화 후 기계 학습 모델의 기억 삭제가 역전되는 현상을 확인하고, 그 원인이 삭제 방법과 양자화 방식의 충돌에 있음을 밝혀냈습니다.
기존 방법은 기울기 기반 삭제는 양자화 시 성능 저하를, 양자화 생존 방법은 삭제 효과 미미를 야기하며, 이는 파라미터 업데이트가 양자화 빈을 벗어나지 못하기 때문입니다.
연구진은 회로 추적과 영구 삭제 기법을 결합한 MANSU를 개발하여, 삭제 효과, 모델 보존, 양자화 생존을 동시에 만족시키고 기존 방법의 한계를 극복했습니다.