Процесс машинного обучения включает не только накопление знаний, но и их удаление — так называемое «машинное забывание» (machine unlearning). Однако при попытке заставить модель забыть определенную информацию часто страдают смежные концепции, которые должны были остаться нетронутыми. Это явление, называемое интерференцией, до сих пор изучалось бессистемно. Новая методология I-CARE призвана формализовать этот процесс, предлагая единые метрики и шаблоны для оценки качества работы алгоритмов удаления данных. Авторы I-CARE не предлагают новый алгоритм удаления, а создают аналитический каркас для оценки существующих решений. Методология позволяет систематически отслеживать, как именно модель теряет знания, и проверять, не приводит ли очистка данных к деградации других способностей нейросети. Для практической проверки авторы протестировали фреймворк на современных алгоритмах и популярных наборах данных, подтвердив его применимость в реальных условиях. Для удобства исследователей разработано открытое программное обеспечение, включающее веб-интерфейс. Это позволяет анализировать результаты экспериментов без необходимости глубокого погружения в программный код или использования специализированных инструментов анализа данных. Такой подход помогает отделить долгосрочные научные выводы от кратковременных эмпирических результатов, что критически важно для развития безопасных генеративных моделей.