概念級遺忘

深度分析

ICED：以稀疏非負分解在 CLIP 視覺－語言模型上實現概念級遺忘

面對視覺－語言模型在部署時可能殘留敏感或需移除的訓練知識，ICED 提出一套可解釋的概念級機器遺忘框架。方法先以多模態大型語言模型從欲忘集合抽出任務專屬概念詞彙，並將影像表徵分解為稀疏、非負的概念基底；接著在概念層級進行優化，選擇性抑制目標概念，同時以樣本內與全域保留項維持非目標語義與跨模態知識。