この記事では、現代のデータ駆動型推薦システムがユーザーの行動パターンを記憶してプライバシーの懸念を引き起こすことに焦点を当てています。従来のアンラーニング手法は、ターゲットデータの影響を除去する能力がありますが、速度とパフォーマンスの問題に悩まされています。本研究では、推薦システムのランキング指向の特性を考慮し、ターゲットアイテムのランキング位置を低下させる「アンランキング」のプロセスを提案します。効率的なアンランキングを実現するために、著者たちはL2UnRankという手法を提案しており、インタラクションに基づくp-hop伝播、対象範囲の影響計算、効率的なパラメータ更新の三段階から構成されています。実験により、L2UnRankは他の手法に比べて50倍の速度で効果的なアンランキングを実現し、再訓練に匹敵する推薦の質を維持することが示されています。