论文提出Geodesic Unlearning修复缺失模态鲁棒性

Songyuan Sui等作者发表论文，指出一个反直觉的部署期失败模式：在全模态上训练的模型，推理时缺失一个模态可能反而不如单模态模型，该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。 针对该问题，作者提出Geodesic Unlearning（GU），一种基于Grassmannian子空间几何的轻量参数编辑方法，用于结构化子空间校正。作者称该方法可提升缺失模态鲁棒性。论文已被NeurIPS 2026主会接收。

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。