CATA：基于冲突规避任务算术的持续机器遗忘
计算机视觉与模式识别
2026-05-19 v1 人工智能
机器学习
摘要
视觉语言模型（VLM）在对齐视觉和文本表示方面展现出了卓越能力，实现了广泛的多模态应用。然而，其大规模训练数据不可避免地引发了对隐私、版权和不良内容的担忧，从而产生了对机器遗忘的强烈需求。虽然现有研究主要关注单次遗忘，但实际的 VLM 部署通常涉及随时间推移的顺序移除请求，这催生了持续机器遗忘。在这项工作中，我们首次尝试研究 VLM 的持续遗忘，并识别出该场景下的三个关键挑战：移除目标知识的有效性、保留已保留模型效用的保真度，以及在顺序更新下防止知识重现的持久性。为了应对这些挑战，我们提出了 CATA，一种冲突规避任务算术方法，将每个遗忘请求表示为一个遗忘任务向量。通过维护历史任务向量并执行符号感知的冲突规避聚合，CATA 抑制了可能削弱先前遗忘效果的冲突更新组件。在单次和持续设置下的广泛实验表明，CATA 在遗忘有效性、模型保真度和遗忘持久性方面均优于基线。
引用
@article{arxiv.2605.18610,
title = {CATA: Continual Machine Unlearning via Conflict-Averse Task Arithmetic},
author = {Shen Lin and Junhao Dong and Rongjie Chen and Xiaoyu Zhang and Li Xu and Xiaofeng Chen},
journal= {arXiv preprint arXiv:2605.18610},
year = {2026}
}