通过双投影实现概念擦除的闭形式解
机器学习
2026-04-14 v1 人工智能
摘要
虽然扩散基模型等现代生成模型展现出惊人的创造能力，但也带来了重要的安全与伦理风险。为此，人们对概念擦除（即从模型表示中移除不愿意出现的概念）表示浓厚兴趣。现有方法往往实现强效擦除，但依赖迭代优化，可能不可避免地扭曲无关概念。本文提出一种简单且原则化的替代方案：一种线性变换框架，可无需训练实现概念擦除的闭形式解。我们通过两步封闭形式步骤适配预训练模型：首先计算目标概念的代理投影，其次在已知概念方向的左零空间内施加受约束变换。该设计产生一种确定性、在几何上可解释的安全、高效且理论依据充足的概念移除程序。在广泛的实验中，包括对多种 Stable Diffusion 变体及 flow-matching 模型 (FLUX) 的对象和风格擦除，我们的方法在保持非目标概念更忠实的同时，匹配或超越了最新方法的性能。仅需数秒即可完成，为受控模型编辑提供了轻量级即插即用工具，推动了更安全更负责任的生成模型目标的实现。
引用
@article{arxiv.2604.10032,
title = {Closed-Form Concept Erasure via Double Projections},
author = {Chi Zhang and Jingpu Cheng and Zhixian Wang and Ping Liu},
journal= {arXiv preprint arXiv:2604.10032},
year = {2026}
}