Die Forschung von Apple Machine Learning Research prüft die Möglichkeit, die Rechenkosten beim Prozess des 'Vergessens' von Daten in trainierten Modellen des maschinellen Lernens zu reduzieren. Traditionelle Methoden löschen alle Daten aus dem 'Vergessens'-Set gleichermaßen, unabhängig von ihrem Einfluss auf das Modell.

Die Autoren der Studie stellen die Frage: Ist es wirklich notwendig, Daten zu löschen, die nur minimalen Einfluss auf das Training des Modells haben? Dies könnte zu einer Optimierung des 'Vergessens'-Prozesses führen und den Bedarf an der Verarbeitung aller Daten verringern.

Mit dem wachsenden Interesse am Datenschutz im maschinellen Lernen könnte ein solcher Ansatz zu einem wichtigen Werkzeug werden, um die Rechenkosten zu senken und gleichzeitig das Genauigkeitsniveau des Modells beizubehalten.