I-CARE：在文本到图像模型的可控、多样化和代表性遗忘环境中分析干扰相关现象

摘要

arXiv:2609.00003v1 Announce Type: new Abstract: Machine unlearning studies the removal of knowledge from an AI model, making the system forget a concept it previously learned. Despite rapid progress i...

the unlearning and that interference CARE methodology study results with

2026-09-02 1 阅读约1分钟阅读 Leonardo Santiago Benitez Pereira, Marcos Escudero Vi\~nolo, Luis Herranz Arribas

arXiv:2609.00003v1 公告类型：新摘要：机器取消学习研究从 AI 模型中删除知识，使系统忘记之前学到的概念。尽管生成机器去学习方面取得了快速进展，但本应保留的语义相关概念的意外退化（此后称为干扰）仍然没有得到很好的表征和不一致的评估。本文介绍了 I-CARE，一种将干扰形式化为生成性忘却的一流研究对象的方法论。 I-CARE 不是提出新的基准或忘却算法，而是提供了任务、指标和报告结果模板的正式定义，从而能够对忘却环境中的干扰进行系统且可重复的研究。虽然我们的方法旨在随着模型和学习算法的发展而保持有效，将长期的科学见解与短暂的实证结果脱钩，但我们使用最先进的算法和常用的数据集提供了可行性演示。结果表明，I-CARE 能够对多种遗忘环境中的干扰模式进行有意义的分析，从而确立了该框架的实际适用性。该方法的软件实现是在开源框架中提供的，以及基于网络的图形界面，可以探索本研究的结果，而无需与代码库或专门的数据分析工具直接交互。

订阅66必读