의료 영상에서의 표적 망각: 교란 부호 기울기 기반 방법

초록

**
본 논문은 임상 이미지 모델의 사후 유지보수를 위해, 특정 샘플을 효과적으로 제거하면서 나머지 성능을 보존하는 “경계 기반 표적 망각” 프레임워크를 제안한다. 이 방법은 이중 최적화(bilevel optimization) 형태로 정의되며, 교란 부호 기울기(perturbed sign‑gradient) 기법을 이용해 결정 경계 근처의 포인트를 찾고, 재라벨링된 데이터를 통해 모델을 미세조정한다. 1차‑계층 알고리즘에 대한 수렴 보장을 제공하고, 손실 설계와 모델 합성 전략을 통해 망각‑보존 트레이드오프를 조절한다. 다양한 벤치마크와 실제 임상 영상 데이터셋에서 기존 방법보다 망각과 보존 지표 모두에서 우수한 성능을 보이며, 의료 현장의 데이터 셋 변화, 장비 폐기, 정책 변동 등에 실용적인 대안으로 제시한다.

**

상세 분석

**
이 논문은 머신 언러닝(Unlearning)이라는 개념을 단순히 개인정보 보호를 위한 도구를 넘어, 임상 환경에서 모델을 지속적으로 유지·보수하는 일반 목적의 메커니즘으로 재정의한다. 핵심 아이디어는 “경계 기반” 접근법을 이중 최적화(bilevel) 형태로 수식화함으로써, 첫 번째(내부) 단계에서 각 망각 대상 샘플 (x_i)에 대해 최소 교란 (\delta)를 찾아 원래 모델 (f_{w^0})의 결정 경계를 넘는 포인트 (x_i+\delta)를 생성한다. 이때 교란 탐색은 기존 FGSM(Fast Gradient Sign Method)과 달리, 가우시안 잡음 (\gamma z)와 선택적 (\ell)-정규화 항을 포함한 교란 부호 기울기(perturbed sign‑gradient) 업데이트 식(2)를 사용한다. 이 식은 기대값에서 상승 방향을 보장하고, 단계 크기 (\epsilon_t = c/t)와 Lipschitz 연속성을 가정하면 (\mathcal{O}(DL/\epsilon_{\text{acc}})) 반복 안에 수렴한다는 정리 2.5를 제시한다.

내부 최적화가 끝나면, 해당 경계 포인트에 대해 가장 높은 로짓을 갖는 잘못된 클래스를 새로운 라벨 (y_{b_i})로 지정한다. 이렇게 재라벨링된 데이터 (\tilde{F}={(x_i, y_{b_i})})를 이용해 외부 최적화 단계에서 원래 손실 (\sum_{i\in R} L(f_w(x_i), y_i))와 망각 손실 (-\sum_{i\in F} L(f_w(x_i), f_{w^0}(x_{b_i})))를 동시에 최소화한다. 이 구조는 기존 경계 축소(boundary‑shrink) 방법을 특수 케이스로 포함하며, 손실 설계에 (\lambda)와 (\gamma) 같은 하이퍼파라미터를 도입해 “망각‑보존 트레이드오프”를 정량적으로 조절할 수 있다.

또한 논문은 모델 합성(composition) 전략을 제안한다. 서로 다른 망각 실행에서 얻은 파라미터 집합을 가중 평균하거나, 다중 서브그룹(예: 장비별, 해부학적 아웃라이어)별로 별도 망각을 수행한 뒤, 최종 모델을 합성함으로써 각 서브그룹에 대한 최적의 망각 효과와 전체 성능 보존을 동시에 달성한다.

실험에서는 CIFAR‑10·MNIST 같은 전통적 벤치마크뿐 아니라, 안과 OCT(Optical Coherence Tomography)와 안구 초음파 등 실제 임상 이미지 데이터셋을 사용하였다. 평가 지표는 (1) 망각 정확도(Forget Accuracy, 목표는 0% 혹은 임의 수준), (2) 보존 정확도(Retention Accuracy), (3) 멤버십 추론 공격 저항성(MIA) 등을 포함한다. 제안 방법은 모든 지표에서 기존 FIM 기반, 파라미터 선택 기반, 그리고 Chen et al. (2023) 방법을 크게 앞섰으며, 특히 장비 폐기 시나리오에서 오래된 스캐너 데이터의 영향력을 거의 완전히 제거하면서 전체 모델 성능 저하를 최소화했다.

이론적 기여는 (i) 이중 최적화 모델링을 통한 명시적 목표 함수 정의, (ii) 교란 부호 기울기 기반 내부 최적화의 수렴 증명, (iii) 손실 설계와 하이퍼파라미터를 통한 트레이드오프 조절 가능성이다. 실용적 기여는 의료 AI 파이프라인에서 데이터 삭제·수정 요구가 발생했을 때, 전체 재학습 없이도 신속하고 검증 가능한 “망각”을 수행할 수 있는 워크플로우를 제공한다는 점이다.

**