Badacze wprowadzili I-CARE, nową metodologię do systematycznego badania zjawiska interferencji w procesach machine unlearning dla modeli tekst-na-obraz. Interferencja występuje, gdy próba usunięcia z modelu określonej wiedzy lub koncepcji przypadkowo powoduje degradację powiązanych, semantycznie bliskich pojęć, które powinny zostać zachowane. Problem ten pozostawał dotąd źle zdefiniowany i oceniany w niespójny sposób w środowisku naukowym.
Zamiast proponować nowy benchmark lub algorytm unlearning, I-CARE skupia się na formalizacji samej interferencji jako pierwszorzędnego obiektu badań. Framework dostarcza precyzyjne definicje zadań, metryki oceny i szablony do raportowania wyników, pozwalając naukowcom na reprodukowalną i porównywalną analizę interferencji w różnych ustawieniach unlearning. Kluczową zaletą jest niezależność metodologii od konkretnych modeli czy algorytmów - ma pozostać ważna, gdy technologia będzie ewoluować.
Autorzy zaprezentowali proof of concept, testując I-CARE z najnowszymi algorytmami unlearning i popularnie używanymi zestawami danych. Rezultaty wykazały, że metodologia umożliwia znaczącą analizę wzorców interferencji. Zespół udostępnił implementację jako open-source framework wraz z graficznym interfejsem webowym, ułatwiając eksperymenty bez konieczności bezpośredniej interakcji z kodem.