论文提出量化鲁棒的LLM遗忘框架
热点事件持续更新
论文提出量化鲁棒的LLM遗忘框架
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
一篇 arXiv 论文提出量化鲁棒的 LLM 遗忘框架，使机器遗忘的效果在模型量化后依然稳健，同时保持模型整体效用。作者为 Jialu Wang 等。 该框架基于损失景观分析：作者称曲率准则可定位导致遗忘不稳健和效用下降的敏感权重，并据此提出敏感度引导的噪声正则化和 forget-critical 优化。 在 MUSE 和 TOFU 基准上，该方法跨多种 LLM 遗忘算法取得更具量化韧性的遗忘效果。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
量化鲁棒性遗忘学习：从保留-遗忘损失景观交互视角出发报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AI量化鲁棒性遗忘学习：从保留-遗忘损失景观交互视角出发
一篇 arXiv 论文提出量化鲁棒性遗忘框架，使 LLM 的遗忘行为在量化后依然稳健，同时维持模型效用。该方法基于损失景观分析发现曲率准则可定位导致遗忘不稳健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与 forget-critical 优化。在 MUSE 和 TOFU 基准上跨多种 LLM 遗忘算法取得更具量化韧性的遗忘效果。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。