Esquecer é Preciso: Um Estudo sobre o Impacto da Remoção de Dados no Desaprendizado de Máquinas
Resumo
O crescente rigor das legislações de proteção de dados, como a LGPD e o GDPR, impulsionou o desenvolvimento de técnicas de desaprendizado de máquina (machine unlearning) para garantir o direito ao esquecimento em modelos de inteligência artificial. Este artigo revisa conceitos, desafios e avanços recentes na área, avaliando experimentalmente diferentes algoritmos de desaprendizado, como DaRE e DynFrs, em múltiplos conjuntos de dados. Os resultados mostram que pequenas remoções de dados tendem a ter impacto limitado na acurácia dos modelos, mas ressaltam a importância de abordagens eficientes e robustas. Por fim, são discutidas perspectivas futuras, incluindo a validação do desaprendizado via blockchain e a integração com técnicas de IA explicável (XAI), visando sistemas mais transparentes e confiáveis.Referências
Alpaydin, E. and Kaynak, C. (1998). Optical Recognition of Handwritten Digits. UCI Machine Learning Repository. DOI: 10.24432/C50P49.
Bourtoule, L., Chandrasekaran, V., Choquette-Choo, C. A., Jia, H., Travers, A., Zhang, B., Lie, D., and Papernot, N. (2021). Machine unlearning. In 2021 IEEE Symposium on Security and Privacy (SP), pages 141–159.
Brophy, J. and Lowd, D. (2021). Machine unlearning for random forests. In Meila, M. and Zhang, T., editors, Proceedings of the 38th International Conference on Machine Learning, volume 139 of Proceedings of Machine Learning Research, pages 1092–1104. PMLR.
Dang, Q.-V. (2021). Right to be forgotten in the age of machine learning. In Antipova, T., editor, Advances in Digital Science, pages 403–411, Cham. Springer International Publishing.
Jin, R., Chen, M., Zhang, Q., and Li, X. (2024). Forgettable federated linear learning with certified data unlearning.
Li, Y., Chen, C., Zhang, Y., Liu, W., Lyu, L., Zheng, X., Meng, D., and Wang, J. (2023). UltraRE: Enhancing receraser for recommendation unlearning via error decomposition. In Thirty-seventh Conference on Neural Information Processing Systems.
Nguyen, T. T., Huynh, T. T., Ren, Z., Nguyen, P. L., Liew, A. W.-C., Yin, H., and Nguyen, Q. V. H. (2024). A survey of machine unlearning.
Presidência da República (2018). Lei geral de proteção de dados pessoais (lgpd). [link]. Acesso em: 24 jun. 2025.
Schelter, S., Grafberger, S., and Dunning, T. (2021). Hedgecut: Maintaining randomised trees for low-latency machine unlearning. In Proceedings of the 2021 International Conference on Management of Data (SIGMOD ’21), page –, Virtual Event, China.
Thudi, A., Deza, G., Chandrasekaran, V., and Papernot, N. (2022). Unrolling sgd: Understanding factors influencing machine unlearning. In 2022 IEEE 7th European Symposium on Security and Privacy (EuroS&P), pages 303–319.
União Europeia (2016). Regulamento (ue) 2016/679 do parlamento europeu e do conselho, de 27 de abril de 2016, relativo à proteção das pessoas singulares no que diz respeito ao tratamento de dados pessoais e à livre circulação desses dados (regulamento geral sobre a proteção de dados - rgpd). [link]. Acesso em: 21 jun. 2024.
Wang, S., Shen, Z., Qiao, X., Zhang, T., and Zhang, M. (2025). Dynfrs: An efficient framework for machine unlearning in random forest.
Bourtoule, L., Chandrasekaran, V., Choquette-Choo, C. A., Jia, H., Travers, A., Zhang, B., Lie, D., and Papernot, N. (2021). Machine unlearning. In 2021 IEEE Symposium on Security and Privacy (SP), pages 141–159.
Brophy, J. and Lowd, D. (2021). Machine unlearning for random forests. In Meila, M. and Zhang, T., editors, Proceedings of the 38th International Conference on Machine Learning, volume 139 of Proceedings of Machine Learning Research, pages 1092–1104. PMLR.
Dang, Q.-V. (2021). Right to be forgotten in the age of machine learning. In Antipova, T., editor, Advances in Digital Science, pages 403–411, Cham. Springer International Publishing.
Jin, R., Chen, M., Zhang, Q., and Li, X. (2024). Forgettable federated linear learning with certified data unlearning.
Li, Y., Chen, C., Zhang, Y., Liu, W., Lyu, L., Zheng, X., Meng, D., and Wang, J. (2023). UltraRE: Enhancing receraser for recommendation unlearning via error decomposition. In Thirty-seventh Conference on Neural Information Processing Systems.
Nguyen, T. T., Huynh, T. T., Ren, Z., Nguyen, P. L., Liew, A. W.-C., Yin, H., and Nguyen, Q. V. H. (2024). A survey of machine unlearning.
Presidência da República (2018). Lei geral de proteção de dados pessoais (lgpd). [link]. Acesso em: 24 jun. 2025.
Schelter, S., Grafberger, S., and Dunning, T. (2021). Hedgecut: Maintaining randomised trees for low-latency machine unlearning. In Proceedings of the 2021 International Conference on Management of Data (SIGMOD ’21), page –, Virtual Event, China.
Thudi, A., Deza, G., Chandrasekaran, V., and Papernot, N. (2022). Unrolling sgd: Understanding factors influencing machine unlearning. In 2022 IEEE 7th European Symposium on Security and Privacy (EuroS&P), pages 303–319.
União Europeia (2016). Regulamento (ue) 2016/679 do parlamento europeu e do conselho, de 27 de abril de 2016, relativo à proteção das pessoas singulares no que diz respeito ao tratamento de dados pessoais e à livre circulação desses dados (regulamento geral sobre a proteção de dados - rgpd). [link]. Acesso em: 21 jun. 2024.
Wang, S., Shen, Z., Qiao, X., Zhang, T., and Zhang, M. (2025). Dynfrs: An efficient framework for machine unlearning in random forest.
Publicado
16/10/2025
Como Citar
SANTOS, Milena Curtinhas; GONÇALVES, João Paulo de Brito; ROCHA, Antonio A. de A.; VILLAÇA, Rodolfo da Silva.
Esquecer é Preciso: Um Estudo sobre o Impacto da Remoção de Dados no Desaprendizado de Máquinas. In: ESCOLA REGIONAL DE INFORMÁTICA DO ESPÍRITO SANTO (ERI-ES), 10. , 2025, Espírito Santo/ES.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 11-20.
DOI: https://doi.org/10.5753/eries.2025.15735.
