面向文本引导的忘却：通过文本引导实现GAN中的不学习
机器学习
2025-04-03 v1 计算机视觉与模式识别
摘要
领先的生成模型展现出强大的图像生成能力，带来了服务提供者在托管这些模型时的各种伦理和法律挑战。因此，内容删除技术（Content Removal Techniques, CRDTs）作为一种在不进行大规模重新训练的情况下控制输出的研究领域正在迅速发展。最近的研究探索了在生成模型中应用机器不学习，以解决内容删除问题。然而，这些研究的关注点主要集中在扩散模型，而生成对抗网络（GAN）中的不学习工作仍然鲜有涉足。我们填补这一空白，提出了一种新框架Text-to-Unlearn，通过仅使用文本提示从预训练的GAN中选择性地忘却概念，实现特征忘却、身份忘却以及针对在人脸上训练的模型的表达和多属性删除等细粒度任务。凭借自然语言描述，，我们的方法无需额外数据集或监督式微调，即可指导忘却过程，提供一种可扩展且高效的解决方案。为评估其有效性，我们引入了一种自动化忘却评估方法，这种方法借鉴了领先的图像-文本对齐指标，全面分析了忘却方法。就我们所知，Text-to-Unlearn是首个针对GAN的跨模态忘却框架，代表了一种灵活且高效的进步，用于管理生成模型的行为。
引用
@article{arxiv.2504.01218,
title = {Prompting Forgetting: Unlearning in GANs via Textual Guidance},
author = {Piyush Nagasubramaniam and Neeraj Karamchandani and Chen Wu and Sencun Zhu},
journal= {arXiv preprint arXiv:2504.01218},
year = {2025}
}