提出Geodesic Unlearning提升缺失模态鲁棒性

2026年10月15日，arXiv Artificial Intelligence发布Songyuan Sui等作者的研究，指出多模态训练会让模型在推理时缺失某一模态的情况下反而不如单模态模型，这一现象出现在融合模型、CLIP式双塔模型和视觉语言模型中。作者将其归因于主参数子空间中习得的跨模态依赖，并提出轻量参数编辑方法Geodesic Unlearning（GU），利用Grassmannian子空间几何沿测地线将主输入子空间旋转至单模态参考方向，以提升缺失模态鲁棒性。该报道为目前唯一来源，未提及后续验证或应用进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。