SALMUBench：敏感关联级多模态遗忘的基准测试
计算机视觉与模式识别
2026-03-30 v1 机器学习
摘要
随着 CLIP 等多模态模型成为下游系统的核心组件，移除敏感信息的需求变得至关重要。然而，针对对比训练编码器的机器遗忘研究仍不充分，现有评估方法也无法诊断细粒度的关联级遗忘现象。我们提出了 SALMUBench（Sensitive Association-Level Multimodal Unlearning，敏感关联级多模态遗忘基准），该基准基于一个包含 60K 个人物-属性关联的合成数据集以及两个基础模型：一个被该数据污染的 Compromised 模型和一个不含该数据的 Clean 模型。为隔离遗忘效果，两个模型均在相同的 4 亿配对保留基座上从头训练，Compromised 模型额外在敏感集上训练。我们提出了一种新型评估协议，采用结构化保留集（保留身份、保留关联）来精确衡量遗忘效果及附带损害。我们的基准测试揭示，虽然效用高效的删除是可行的，但现有方法存在明显的失败模式：要么无法有效遗忘，要么过度泛化，删除了超出预期的内容。SALMUBench 为全面的遗忘评估设定了新标准，我们公开发布了数据集、模型、评估脚本和排行榜，以促进未来研究。
引用
@article{arxiv.2603.26316,
title = {SALMUBench: A Benchmark for Sensitive Association-Level Multimodal Unlearning},
author = {Cai Selvas-Sala and Lei Kang and Lluis Gomez},
journal= {arXiv preprint arXiv:2603.26316},
year = {2026}
}
备注
Accepted to CVPR 2026. Project page: http://cvc-mmu.github.io/salmubench