국민대학교 인공지능학부 김장호 교수 연구팀(조현준·신종윤·이도운·김장호)이 지난 11월 10일 이탈리아 로마에서 열린 제35회 ACM 국제 정보 및 지식관리 학술대회(CIKM 2026)에서 인공지능 모델의 성능을 유지하면서 특정 학습 데이터의 영향을 효과적으로 제거하는 새로운 머신 언러닝(Machine Unlearning) 기술 ‘QCU(Quantized Contrastive Unlearning)’를 발표했다. 이번 연구는 정규 연구논문(Full Research Paper)으로 채택돼 구두 발표로 진행됐다.

​

머신 언러닝은 이미 학습된 인공지능 모델에서 개인정보나 민감한 데이터 등 특정 정보의 영향을 선택적으로 제거하는 기술이다. 기존에는 해당 데이터를 제외하고 모델을 처음부터 다시 학습하는 방법이 가장 확실한 기준으로 사용됐지만, 막대한 시간과 연산 비용이 요구된다는 한계가 있다. 이를 해결하기 위한 기존 언러닝 기법들은 삭제 대상 정보뿐 아니라 모델의 일반적인 지식까지 손상시켜, 데이터 삭제 효과와 모델 성능 유지 사이에 상충관계가 발생하는 문제가 있었다.

​

연구팀은 이러한 문제를 해결하기 위해 양자화(Quantization)와 대조학습(Contrastive Learning)을 결합한 QCU를 제안했다. QCU는 인공지능 모델의 중간 특징맵을 양자화해 개별 학습 데이터에 특화된 정보를 줄이면서 일반적인 의미 정보를 보존하는 방식이다. 이를 바탕으로 모델이 삭제 대상 데이터의 고유한 특징에서는 멀어지고, 유지해야 할 일반적인 지식에는 가까워지도록 학습한다. 특히 삭제 대상 데이터를 제외하고 처음부터 재학습한 모델의 상태에 더욱 가까워지도록 유도한다는 점에서 기존 방법과 차별화된다.

​

연구팀은 CIFAR-10, CIFAR-100, ImageNet 등의 이미지 분류 데이터뿐 아니라 대규모 언어모델(LLM), 이미지 생성 모델인 Stable Diffusion 등 다양한 환경에서 QCU의 효과를 검증했다. 실험 결과, 기존 언러닝 기법들과 비교해 삭제 대상 정보의 영향을 효과적으로 줄이면서도 모델의 성능을 안정적으로 유지했으며, 개인정보 유출 위험을 평가하는 실험에서도 재학습 모델에 가까운 결과를 확인했다.

​

이번 연구는 특정 인공지능 모델에 국한되지 않고 이미지 인식, 언어 생성, 이미지 생성 등 다양한 분야에 적용할 수 있는 범용적인 언러닝 기술을 제시했다는 점에서 의미가 있다. 향후 개인정보 보호와 AI 서비스의 신뢰성 확보를 위한 핵심 기술로 활용될 것으로 기대된다.

한편 CIKM은 정보검색, 데이터마이닝, 지식관리 및 인공지능 분야의 주요 국제학술대회다. 이번 논문의 제목은 ‘Quantized Contrastive Unlearning’이며, 연구 코드는 공개돼 있다.