超越语言的知识：弥合多语言机器遗忘评估中的差距
计算与语言
2026-05-15 v1
摘要
尽管 LLM 越来越多地用于商业服务，但它们带来了隐私风险，例如敏感个人身份信息 (PII) 的泄露。对于在多语言语料库上训练的 LLM，多语言机器遗忘 (MMU) 旨在跨多种语言移除信息。然而，先前的 MMU 评估未能捕捉信息的这种跨语言分布，很大程度上局限于按语言评估协议的直接扩展。为此，我们提出两个指标来评估信息跨语言的分布：知识可分性得分 (KSS) 和知识持久性得分 (KPS)。KSS 衡量多种语言间的整体遗忘质量，而 KPS 更具体地旨在评估不同语言对之间信息移除的一致性。我们使用这些指标评估了多语言环境下的各种遗忘方法，并进行了全面分析。通过我们的调查，我们提供了对 MMU 独有现象的见解，并为 MMU 评估提供了新视角。
引用
@article{arxiv.2605.14404,
title = {Knowledge Beyond Language: Bridging the Gap in Multilingual Machine Unlearning Evaluation},
author = {Kyomin Hwang and Hyeonjin Kim and Sangyeon Cho and Nojun Kwak},
journal= {arXiv preprint arXiv:2605.14404},
year = {2026}
}