Tag · 17 篇
机器遗忘
pH试纸式选择性遗忘：一种钝但快速的机器遗忘诊断基线
pH-Strips for Selective Forgetting: A Blunt but Fast Diagnostic Baseline for Machine Unlearning
提供了一种免训练、仅需少量样本即可快速擦除模型中特定概念（如分类中的类别、生成中的风格）的诊断基线，视觉研究者可将其作为评估新遗忘方法效率与效果的快速试金石，或直接用于扩散模型的概念擦除。
遗忘哪些概念与如何拒绝？面向大型视觉语言模型持续遗忘的概念分解
Which Concepts to Forget and How to Refuse? Decomposing Concepts for Continual Unlearning in Large Vision-Language Models
把「遗忘」从整模型级细化到视觉-语言概念组合级，并用概念驱动的 MoE 路由复用拒绝专家，为 LVLM 安全对齐与顺序删除请求提供可复用框架；做多模态安全/隐私的读者可直接借用其概念调制器与 refuser 路由设计。
VL-Eraser：面向视觉语言模型机器遗忘的真空蒸馏
VL-Eraser: Vacuum Distillation for Machine Unlearning in Vision-Language Models
VL-Eraser 将遗忘目标解耦到低秩适配器中，通过删除适配器参数实现遗忘，为视觉语言模型提供了一种可复用的事后知识移除手段，尤其适用于需要移除敏感内容同时保持跨模态对齐的场景。
遗忘而不丢失：从大规模视觉语言开放词表检测器中安全移除目标概念
Unlearning without Forgetting: Securely Removing Targeted Concepts from Large-Scale Vision-Language Open-Vocabulary Detectors
对做开放词表检测的视觉研究者，这篇给出了在冻结保留概念的前提下定向抹除指定概念-短语对的参数更新方案：离线构造保留知识嵌入的零空间，把遗忘更新投影到其正交补，并用一步 mean-flow 目标把遗忘概念推向不可检测；可直接复用于模型发布前的版权/隐私合规清理，以及检测器概念级可控编辑。
面向推理保持的多模态大语言模型遗忘
Towards Reasoning-Preserving Unlearning in Multimodal Large Language Models
提出一种无需训练、在推理时通过子空间引导和自适应转向来遗忘答案与推理痕迹的方法，可复用于多模态大模型的安全对齐与隐私保护，同时保持通用推理能力。
立桩定界：结构忠实的实例遗忘
Stake the Points: Structure-Faithful Instance Unlearning
把「语义锚点 + 结构感知对齐」作为可复用的遗忘正则手段：在删除指定样本时，用 CLIP 文本属性锚定保留集的知识结构，可直接迁移到人脸识别、检索模型的隐私删除与版权撤回场景。
SineProject：面向稳定视觉语言对齐的机器遗忘方法
SineProject: Machine Unlearning for Stable Vision-Language Alignment
对做多模态大模型安全对齐的研究者，这篇论文指出遗忘训练会破坏投影器的雅可比条件数，并给出用正弦调制可训练参数稳定跨模态嵌入的轻量方案，可直接用于视觉语言模型的知识擦除与安全微调。
选择性失忆：基于对比子网络擦除的视觉模型类别级遗忘
Selective Amnesia using Contrastive Subnet Erasure for Class Level Unlearning in Vision Models
提出一种免训练、无推理开销的通道级擦除方法，通过对比子网络定位类别相关通道并代数折叠到下一层，为视觉模型的概念级遗忘提供了可直接部署的编辑手段；其跨数据集评估协议也可用于检验遗忘的泛化性。
SALMUBench：敏感关联级多模态遗忘基准
SALMUBench: A Benchmark for Sensitive Association-Level Multimodal Unlearning
为视觉-语言模型（如 CLIP）的敏感信息遗忘提供了首个细粒度关联级评测基准，包含受污染/干净模型对和结构化留出集，可直接用于诊断遗忘方法的有效性与附带损伤。
剪痕之下的根须：揭示扩散模型剪枝式遗忘中概念复活的隐患
Roots Beneath the Cut: Uncovering the Risk of Concept Revival in Pruning-Based Unlearning for Diffusion Models
对做扩散模型安全与机器遗忘的视觉研究者，本文指出剪枝位置本身构成侧信道：攻击者仅凭权重为零的位置即可无数据、无训练地恢复被抹除的概念，因此设计剪枝式遗忘方法时必须同时隐藏剪枝掩码，而不能只关注遗忘效果。
重新审视噪声标签学习：主动遗忘与噪声抑制
Revisiting Learning with Noisy Labels: Active Forgetting and Noise Suppression
提出一种即插即用的正则化框架，通过机器遗忘主动擦除模型已内化的噪声知识，并用负学习抑制后期噪声过拟合，可直接集成到现有噪声标签学习基线中提升鲁棒性。
POUR：基于神经坍缩的可证明最优表征遗忘方法
POUR: A Provably Optimal Method for Unlearning Representation via Neural Collapse
把机器遗忘从分类器层推进到表征层，用 Neural Collapse 下 simplex ETF 的正交投影给出闭式最优遗忘算子，并提供蒸馏式特征级变体；做视觉模型隐私删除或概念擦除时可直接复用该投影算子与 RUS 指标来评估表征是否真正被遗忘。
基于自适应梯度重加权与多阶段目标优化的机器遗忘
Machine Unlearning via Adaptive Gradient Reweighting and Multi-stage Objective Optimization
为视觉模型提供一种无需重训练的遗忘机制：通过自适应梯度重加权与多阶段目标优化（方向校正、时序稳定、自适应目标组合）缓解遗忘与保留目标间的梯度冲突，可直接用于扩散模型或分类骨干网的概念/样本擦除与隐私合规。
完全去中心化的可认证机器遗忘
Fully Decentralized Certified Unlearning
为视觉模型提供可认证的数据删除机制：在无中心协调的去中心化拓扑上，用随机游走+投影梯度上升/下降配合子采样高斯噪声，在给定(ε,δ)下移除指定图像数据的影响，可直接用于隐私合规或清除投毒样本，并把后门攻击成功率压到随机猜测水平。
为遗忘而设计：用于机器遗忘的深度半参数模型
Designing to Forget: Deep Semi-parametric Models for Unlearning
把「遗忘」从改参数的后处理问题转成架构设计问题：用融合模块聚合每个训练样本的信息，测试时直接删除样本即可完成遗忘，无需重训或微调，为视觉模型的数据删除合规与版权数据移除提供可复用范式。
通过服务器端梯度冲突缓解与表达实现计算与通信高效的联邦遗忘
Computation and Communication Efficient Federated Unlearning via On-server Gradient Conflict Mitigation and Expression
为视觉模型在联邦场景下提供可撤销数据贡献的机制：通过服务器端梯度冲突缓解与特征编码实现遗忘，视觉研究者可将其用于隐私合规的分布式训练（如医疗影像联邦模型）中移除特定客户端数据的影响。
源模型泄露了不应泄露的信息：通过对抗优化在域自适应中遗忘零样本迁移
$\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization
提出在无源域自适应中通过对抗优化遗忘源域独有类的方法，可复用于视觉模型跨域部署时的隐私保护与知识擦除。