La recherche d'Apple Machine Learning Research examine la possibilité de réduire les coûts de calcul durant le processus d'« oubli » des données dans les modèles d'apprentissage automatique entraînés. Les méthodes traditionnelles suppriment toutes les données de l'ensemble d'« oubli » de manière identique, indépendamment de leur influence sur le modèle.

Les auteurs de l'étude se demandent s'il est réellement nécessaire de supprimer les données qui ont une influence minimale sur l'entraînement du modèle. Cela pourrait conduire à une optimisation du processus d'« oubli », en réduisant la nécessité de traiter l'intégralité des données.

Avec l'intérêt croissant pour la protection des données dans l'apprentissage automatique, cette approche pourrait devenir un outil important pour réduire les coûts de calcul tout en maintenant le niveau de précision du modèle.