Forget-It-All：基于概念感知神经掩码的多概念机器忘却
计算机视觉与模式识别
2026-05-19 v2 机器学习
摘要
文本到图像（T2I）扩散模型的广泛采用引发了其生成侵权、不恰当或敏感图像的潜在风险。作为实际解决方案，机器忘却旨在在不从头重新训练的情况下擦除不受欢迎的概念。虽然大多数现有方法对单概念忘却有效，但在删除多个概念时常常难以实现，导致忘却效果、生成质量和对超参数和数据集的敏感性方面存在重大挑战。我们从独特的视角出发，利用模型稀疏性提出 Forget It All（FIA）框架。FIA 首先引入对比概念灵敏度，以量化每个权重连接对目标概念的贡献。随后，结合时域和空间信息识别概念敏感神经元，确保仅选择对目标概念持续敏感的神经元。最后，FIA 从识别出的神经元构建掩码并融合为统一的多概念掩码，其中概念无关神经元被保留以支持通用内容生成，而概念特定神经元被修剪以移除目标。FIA 无需训练，仅需最小程度的超参数调优即可用于新任务，实现即插即用。针对三个不同的忘却任务进行的广泛实验表明，FIA 实现了更可靠的多概念忘却，提高了忘却效果，同时保持了生成保真度和质量。代码已公开于 https://github.com/kaiyuan02415/Forget-It-All
引用
@article{arxiv.2601.06163,
title = {Forget-It-All: Multi-Concept Machine Unlearning via Concept-Aware Neuron Masking},
author = {Kaiyuan Deng and Bo Hui and Gen Li and Jie Ji and Minghai Qin and Geng Yuan and Xiaolong Ma},
journal= {arXiv preprint arXiv:2601.06163},
year = {2026}
}
备注
Accepted to ICML 2026