LEGATO：良好的身份忘却是连续的
机器学习
2026-01-09 v1
摘要
机器忘却正在成为关键，旨在使在大型数据集上训练的生成模型能够删除敏感、私有或受版权保护的数据。然而，现有的机器忘却方法在生成模型的身份擦除方面面临三个挑战：1) 效率低下，需要对模型的所有参数进行微调以实现身份擦除；2) 可控性有限，忘却强度无法控制且缺乏可解释性；3) 灾难性崩溃，随着忘却进程的推进，模型的保留能力发生剧烈退化。忘却通常通过离散且不稳定的更新来处理，通常需要完整的模型微调，导致灾难性崩溃。本文我们认为，身份忘却应被建模为连续轨迹，我们提出 LEGATO - Learn to ForgEt Identity in GenerAtive Models via Trajectory-consistent Neural Ordinary Differential Equations。LEGATO 通过为预训练的生成器添加可微调的轻量级 Neural ODE 适配器，实现了在保持原始模型权重冻结的前提下进行平滑、可控的忘却。这种表述允许通过 ODE 步长精确调制忘却强度，提供可解释性和鲁棒性。为进一步确保稳定性，我们引入轨迹一致性约束，显式防止忘却期间的灾难性崩溃。广泛的实验在域内和域外身份忘却基准测试中显示，LEGATO 实现了最先进的忘却性能，避免了灾难性崩溃并减少了微调参数。
引用
@article{arxiv.2601.04282,
title = {LEGATO: Good Identity Unlearning Is Continuous},
author = {Qiang Chen and Chun-Wun Cheng and Xiu Su and Hongyan Xu and Xi Lin and Shan You and Angelica I. Aviles-Rivero and Yi Chen},
journal= {arXiv preprint arXiv:2601.04282},
year = {2026}
}