【CVPR 2026】POUR：神经坍缩驱动的可证明最优表示级机器遗忘｜从隐私合规与表示几何视角本文解读 CVPR 2026 论文《POUR: A Provably Optimal Method for Unlearning Representations via Neural Collapse》。该论文提出POUR（可证明最优的表示遗忘），通过融合Neural Collapse 的 simplex ETF 几何、表示级弱遗忘定义与RUS 评估指标，把"遗忘一个类"重述为沿该类方向做一次正交投影，其特别之处在于证明了 ETF 在正交投影下保持 ETF 结构、保留类仍 Bayes 最优。实验表明 PO