研究人员推出了一种新颖的几何式遗忘（GU）方法，无需访问原始训练数据即可选择性地从大型语言模型中移除特定信息。该方法作用于模型的内部规划状态，从少量参考提示中提炼出安全行为。然后，GU 使用合成提示将这些状态与期望的安全几何对齐，从而最大限度地减少对模型通用效用的影响。在隐私基准测试上的实验表明，GU 在使用最少量的合成数据来抑制目标信息方面非常有效。 AI
影响 为 LLM 遗忘提供了一种更有效、数据量更少的方法，有可能提高已部署模型的隐私合规性。
排序理由 该集群包含一篇 arXiv 预印本论文，详细介绍了一种新的 LLM 遗忘方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.01735v1 Announce Type: new Abstract: As large language models (LLMs) are increasingly deployed in real-world systems, they must support post-hoc removal of specific content to meet privacy and governance requirements. This motivates selective unlearning, which suppress…
As large language models (LLMs) are increasingly deployed in real-world systems, they must support post-hoc removal of specific content to meet privacy and governance requirements. This motivates selective unlearning, which suppresses information about a particular entity or topi…