MLLMEraser حذف دانش را در مدل‌های چندوجهی هنگام اجرا هدف می‌گیرد

پیش‌چاپی در arXiv چارچوبی به نام MLLMEraser را معرفی می‌کند که برای «فراموشی» در مدل‌های زبانی بزرگ چندوجهی طراحی شده است. این روش هنگام اجرا و بدون تغییر پارامترهای مدل، با هدایت فعال‌سازی‌ها می‌کوشد حذف دانش را به ورودی وابسته کند.

نویسندگان می‌گویند روش‌های رایج فراموشی برای این مدل‌ها معمولاً به آموزش مبتنی بر گرادیان یا بهینه‌سازی ترجیح متکی‌اند؛ رویکردهایی که به‌گفتهٔ آن‌ها پرهزینه‌اند، برگشت‌پذیری محدودی دارند و ممکن است به دانشی که باید حفظ شود آسیب بزنند. هدف MLLMEraser پرداختن به نگرانی‌هایی مانند داده‌های خصوصیِ به‌خاطرسپرده‌شده، اطلاعات منسوخ و محتوای زیان‌بار است.

چکیدهٔ ارائه‌شده در منبع در میانهٔ توضیح روش قطع می‌شود و دربارهٔ ارزیابی، میزان موفقیت یا محدودیت‌های MLLMEraser اطلاعاتی نمی‌دهد؛ بنابراین نمی‌توان از دادهٔ موجود دربارهٔ کارایی عملی آن نتیجه‌گیری کرد.