面向医学AI的层次感知多模态机器学习遗忘

预训练的多模态大语言模型（MLLMs）越来越多地用于医学AI等敏感领域，其中HIPAA和GDPR等隐私法规要求特定移除个人或机构的数据。这推动了机器学习遗忘（machine unlearning），旨在从训练好的模型中移除目标数据的影响。然而，现有的遗忘基准未能反映真实医学数据的层次化和多模态结构，限制了其在实践中正确评估遗忘的能力。因此，我们引入了MedForget，一个层次感知的多模态遗忘基准，将医院数据建模为嵌套结构，使得在保留和遗忘分割上能够进行细粒度的多模态遗忘评估。使用当前遗忘方法的实验表明，现有方法在有效实现层次感知遗忘的同时难以保持下游医学效用。为了解决这一局限性，我们提出了交叉模态层次感知投影遗忘方法（CHIP），一种无需训练的、层次感知的多模态遗忘方法，通过选择性移除目标特定权重子空间同时保留兄弟共享信息来删除信息。实验表明，CHIP在所有层次上实现了最高的遗忘-保留性能差距，同时与现有方法相比保持了下游效用的竞争力。总体而言，MedForget为评估医学数据的结构化多模态遗忘提供了一个实用的、符合HIPAA要求的基准，而CHIP为层次感知遗忘提供了一个有效且通用的解决方案，在删除与效用之间取得了平衡。