SAEs 能改进遗忘：面向 LLM 精准遗忘的动态稀疏自编码器 Guardrails

研究提出 Dynamic DAE Guardrails（DSG），一种利用原则性特征选择和动态分类器实现精准遗忘的方法，证明 SAEs 在动态使用时能显著改进 LLM 遗忘效果。DSG 在遗忘-效用权衡上大幅优于主流遗忘方法，并缓解了基于梯度方法的计算成本高、超参数不稳定、顺序遗忘能力差、易受重学习攻击、数据效率低和缺乏可解释性等问题，还支持零样本场景。