تسعى تقنيات حذف المعرفة في الذكاء الاصطناعي (Machine Unlearning) إلى إزالة مجموعة معينة من المعلومات من نموذج مُدرب دون الحاجة إلى إعادة تدريبه بتكلفة باهظة. ولكن، هناك نقطتان حرجتان في هذه العملية يتم تجاهلهما غالبًا، وهما: 'الإفراط في الحذف' الذي قد يؤدي إلى تدهور البيانات المحتفظ بها بالقرب من مجموعة النسيان، وهجمات إعادة التعلم التي تهدف إلى استرجاع المعرفة المنسية.

يتمثل التحدي الأول في 'الإفراط في الحذف'، الذي يؤدي إلى أضرار جانبية في مناطق قريبة من مجموعة النسيان، حيث يحدث هذا الإفراط بشكل رئيسي. تم تطوير مقياس 'OU@epsilon' لقياس هذه الأضرار الجانبية.

أما التحدي الثاني فهو هجوم 'إعادة التعلم النمطية' (Prototypical Relearning Attack)، الذي يستغل النموذج النمطي للفئة المنسية باستخدام عدد محدود من العيّنات، مما يسهل استعادة الأداء الذي كان قبل عملية الحذف.

للتغلب على هاتين المشكلتين في مستوى الفئات، تم تقديم أداة جديدة تُعرف باسم 'Spotter'. تجمع 'Spotter' بين: (i) عقوبة تدريس المعرفة المحجوبة في المناطق القريبة من الفئات المنسية للحد من الضرر الجانبي OU@epsilon، و(ii) خسارة تشتت داخل الفئات التي تساهم في انتشار معالم الفئات المنسية، مما يُحايد هجمات إعادة التعلم النمطية.

تثبت 'Spotter' كفاءتها عبر عدة مجموعات بيانات مثل CIFAR، TinyImageNet، وCASIA-WebFace، مقدمةً حلاً عمليًا لنقاط العمى في عمليات الحذف.