提出量化鲁棒性遗忘框架

2026年10月15日，arXiv Artificial Intelligence 发布一项研究，提出一种量化鲁棒的 LLM 遗忘学习框架。该研究通过损失景观分析发现，曲率准则可定位导致遗忘不鲁棒和效用下降的敏感权重，据此提出敏感度引导的噪声正则化，将模型收敛导向遗忘损失与保留损失均匀较低的更平滑极小值；同时引入遗忘关键优化，仅更新遗忘关键层以保留其余网络知识。在 MUSE 和 TOFU 基准上跨多种 LLM 遗忘算法实验显示，该方法在维持模型效用的同时实现了更强的量化弹性遗忘。论文注明代码已公开。截至本综述，该事件仅有这一篇主报道，暂无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。