论文略读:MUSE: Machine Unlearning Six-Way Evaluation for Language Models

ICLR 2025 56668

语言模型(LMs)通常在海量文本数据上进行训练,其中可能包含隐私信息受版权保护的内容 。当数据所有者因隐私或版权问题要求删除其数据时,最理想的做法是精确地遗忘这些数据点 ,即重新训练模型但不包含相关数据。然而,这在现代大型模型中几乎是不可行的 ,因此催生了众多近似机器遗忘(approximate machine unlearning)算法

目前对于这些算法的评估通常范围狭窄 ,难以从模型部署者数据拥有者 的角度全面衡量其有效性与实用性。为解决这一问题,本文提出了 MUSE ------一个全面的机器遗忘评估基准(Machine Unlearning Evaluation Benchmark),系统定义了对被遗忘模型的六项关键要求:

  1. 无原文记忆(No Verbatim Memorization):模型不应再生成训练数据中的原始句子;

  2. 无知识记忆(No Knowledge Memorization):不应再体现对敏感知识内容的推理或泛化能力;

  3. 无隐私泄露(No Privacy Leakage):模型不应泄露训练数据中的私人信息;

  4. 保留模型效用(Utility Preservation):对未被删除的数据应保持原有性能;

  5. 可扩展性(Scalability):能够处理大规模的删除请求;

  6. 可持续性(Sustainability):支持多轮连续删除请求而不损害模型质量。

作者在一个 70 亿参数语言模型上,选取了 8 种主流遗忘算法,使用 哈利波特系列小说新闻文章作为需遗忘的数据源,进行系统评测。主要发现包括:

  • 大多数算法能在不同程度上防止原文与知识记忆;

  • 仅有一种方法能有效避免隐私泄露

  • 现有方法在部署端实际表现不佳:它们往往显著损害模型在保留数据上的效能 ,且无法稳定支持连续或大规模的删除请求

综上,本文通过 MUSE 框架揭示了当前语言模型机器遗忘技术在实用性与鲁棒性方面的重大缺陷,强调未来研究需从多维度同时考虑"删除效果"与"模型可用性"的权衡,推动真正可部署的机器遗忘方法发展。

相关推荐
水印云12 小时前
2025精选5款AI视频转文字工具,高效转录秒变文字!
人工智能·音视频
袁庭新12 小时前
大学生为什么一定要重视AI的学习?
人工智能·aigc
酷雷曼VR全景12 小时前
为什么要用VR全景?5个答案告诉你
人工智能·科技·vr·vr全景·酷雷曼
华略创新13 小时前
标准化与定制化的平衡艺术:制造企业如何通过灵活配置释放系统价值
大数据·人工智能·制造·crm·管理系统·erp·企业管理
aliedudu13 小时前
决策树概念与原理
算法·决策树·机器学习
wei_shuo13 小时前
用于机器学习的 Podman 简介:简化 MLOps 工作流程
人工智能·机器学习·podman
小马哥编程13 小时前
计算机网络:调制解调器
人工智能·计算机网络·语音识别
这张生成的图像能检测吗13 小时前
(论文速读)视觉语言模型评价中具有挑战性的选择题的自动生成
人工智能·计算机视觉·语言模型·视觉语言模型
赴33513 小时前
残差网络 迁移学习对食物分类案例的改进
人工智能·分类·迁移学习·resnet18
林森见鹿14 小时前
测试驱动开发 (TDD) 与 Claude Code 的协作实践详解
人工智能·驱动开发·tdd