Machine Unlearning (MU) zielt darauf ab, Machine-Learning-Modellen zu ermöglichen, das Wissen über bestimmte Datenpunkte während ihres Trainings zu vergessen oder zu entfernen, um Anforderungen wie Datenschutz, rechtliche Anforderungen oder Urheberrechtsschutz zu erfüllen.

Es gibt zwei Hauptstrategien für maschinelles Vergessen: präzises Vergessen und approximatives Vergessen. Beim präzisen Vergessen werden die zu vergessenden Daten vollständig ausgeschlossen, indem das Modell von Grund auf neu trainiert wird. Diese Methode ist jedoch rechenintensiv. Beim approximativen Vergessen wird versucht, das Vergessen durch Modifikation des bestehenden Modells zu erreichen und so die hohen Kosten des Neutrainings zu vermeiden.