この研究は、特定のデータの影響をトレーニングされたモデルから排除する「機械的忘却」を目的としています。従来の手法は元のトレーニングデータセットへの完全なアクセスを前提としているため、実用的ではありません。この論文では、制約がある状況を考慮し、少数ショットゼログランスというフレームワークを提案します。このフレームワークGFOESは、生成的フィードバックネットワーク（GFN）と二段階のファインチューニング手法で構成されており、ターゲットクラスに高損失を与える最適な消去サンプル（OES）を合成します。これにより、元のデータにアクセスせずにクラス特有の知識を忘却しつつ、保持されたクラスの性能を維持できます。実験の結果、GFOESはログitおよび表現レベルで効果的な忘却を実現し、元のデータのわずか5％のみを使用しながら強力な性能を維持しました。この手法は、プライバシーを守るための現実的でスケーラブルな解決策を提供します。