この記事では、機械学習除去（MU）の評価において、単一のトレーニングシードを使用することの限界について述べられています。MUは、訓練されたモデルから特定のデータポイントの影響を除去することを目的としていますが、これを行うための多くの実践的なMUアルゴリズムは近似的であり、パフォーマンスは実験的にしか評価できません。一般的には、同じ訓練済みモデルからMUアルゴリズムを独立して複数回実行することが行われていますが、この記事では、この手法が結果を大きく非代表的にし得ることを示しています。具体的には、同じアーキテクチャとデータセットでも、一部のMU手法はモデル訓練に使用するランダムシードの選択に非常に敏感であるため、異なるトレーニングシードを考慮に入れた比較が重要であると提言しています。