ICML 2026の立場論文トラックで、Sangyeon Yoon、Yeachan Junらによる論文「立場：LLMにおける『機械的忘却』という用語の過剰使用」が発表された。この論文は、大規模言語モデル（LLM）が規制上の削除義務、著作権・ライセンス紛争、安全性や製品ポリシー上の要件により、訓練データ、知識、振る舞いを「忘れる」ことをますます要求されていると指摘する。しかし著者らは、「機械的忘却」という用語が研究コミュニティで過剰に使用されており、データセット定義の削除という特定のタスクに厳密に限定されるべきだと主張する。
データセット定義の削除とは、正確に指定された忘却セットの訓練影響を除去し、そのデータなしで再訓練したモデルとほぼ区別できない状態にすることを指す。著者らはこの定義の核心を「再訓練等価性」、すなわちモデルの振る舞いが忘却データを一度も見なかったモデルと類似しているべき点にあると強調する。この厳密な定義は、現在の文献で「忘却」とラベル付けされている多くのタスクとは対照的である。
論文は、誤って「忘却」と呼ばれているタスクの例として、有害なリクエストへの拒否、エンティティや知識の削除、標的型の抑制を挙げる。これらのタスクは異なる、しばしばポリシー依存の目的を持ち、異なる用語とベースラインを必要とする。著者らは「アラインメント」「抑制」「編集」「難読化」などの用語を用いてこれらの目的をより正確に記述することを提案する。例えば、有害リクエストの拒否はアラインメント問題に近く、知識削除はモデル編集技術に関連する。
さらに著者らは、この用語の混乱が表面的な問題ではないと指摘する。異なる論文が同じラベルの下で異なる暗黙の保証を行うため、指標やベンチマークが意図された範囲を超えて再利用されることが頻繁にある。これにより、再訓練等価性がテストされず、派生能力が残存していても、表面的な非開示（低いROUGEスコアや忘却精度など）が報われる評価になってしまう。言い換えれば、モデルは特定の内容を直接出力しないことを学んだだけで、関連能力は実際には除去されていない可能性がある。
したがって論文は、研究コミュニティが明示的な保証と参照モデルに結びついた、より厳格な用語法を採用することを求める。同時に、評価方法は主張された目的と一致すべきである。例えば、目的が再訓練等価性であるなら、評価はモデルが忘却データなしで訓練されたモデルと行動的に真に類似しているかを検証すべきであり、単に出力に特定の文字列が含まれないかをチェックするだけでは不十分である。
この立場論文は2026年5月8日に公開され、全13ページで、ICML 2026 Position Paper Trackに属する。Sangyeon YoonとYeachan Junは同等に貢献している。論文は計算と言語（cs.CL）、人工知能（cs.AI）、機械学習（cs.LG）などの主題に関連する。著者らは、この論文を通じて機械的忘却の用語と評価基準に関するコミュニティの反省を促し、より厳密な研究実践を促進することを望んでいる。