该研究探讨了机器遗忘技术，提出通过模型稀疏化和剪枝方法提高遗忘性能的新方案。分析了现有机器去学习方法的优缺点，强调隐私问题及未来研究方向，旨在推动可信的机器学习能力发展。

微软亚洲研究院提出了一种名为Q-Sparse的模型稀疏化方法，只需激活60%的参数就能实现与全激活稠密模型相当的性能。该方法适用于从头训练、继续训练和微调，并能与量化技术结合使用。研究还发现了适用于模型推理优化的“Scaling Law”。实验结果表明，Q-Sparse在稀疏率和模型表现上优于之前的ReLU方法。此外，作者还发现稀疏激活模型的性能遵循幂律缩放关系，随着模型规模的增大，稀疏激活模型与密集模型之间的性能差距逐渐缩小。