Appleは2026年7月(現地時間)、機械学習モデルから特定の学習データ点を削除する「アンラーニング」手法に関する新たな研究成果を「Apple ML Research」で発表した。この研究は、モデルの学習に与える影響が小さいデータ点（low influence points）を特定し効率的に処理することで、アンラーニングに必要な計算コストを最大50%削減できる可能性を示す。データプライバシーへの懸念が高まる中、訓練済みモデルの修正能力向上に寄与する発見となる。
When Unlearning Is Free: Leveraging Low Influence Points to Reduce Computational Costsと題された論文は、2026年7月(現地時間)に発表された。この研究は、既存のアンラーニング手法が、忘却セット（forget set）内の全てのデータ点を等しく扱うという前提に疑問を呈している。研究チームは、影響関数（influence functions）という分析ツールを用いて、言語タスクとビジョンタスクの両方で比較分析を実施した。
この分析を通じて、モデルの出力に与える影響がごくわずかな特定のトレーニングデータ部分集合が存在することを特定。この知見に基づき、研究ではアンラーニング処理を行う前にデータセットのサイズを効果的に縮小する新しい効率的なフレームワークを提案している。
このフレームワークを現実世界の経験的例に適用したところ、アンラーニングに必要な計算コストを最大50%削減することに成功したと報告されている。本研究は、機械学習分野でデータプライバシーへの懸念が高まる中、訓練済みモデルから特定のデータ点を削除する能力の重要性が増している現状に対応するものだ。
論文の著者には、Harvard Universityのアナット・クライマン氏（当時Apple）、ロバート・フィッシャー氏、University College London (UCL)のベン・ディーナー氏、ウディ・ウィーダー氏、ヴィタリー・フェルドマン氏が名を連ねている。Appleは、プライバシーが基本的な人権であると信じている。
参考: Apple ML Research (アーカイブ) — 2026年7月17日 09:00 (JST)
原文ハイライト"When Unlearning Is Free: Leveraging Low Influence Points to Reduce Computational Costs"