TRU：面向高效多模态推荐遗忘的定向反向更新
人工智能
2026-04-13 v2
摘要
多模态推荐系统（MRS）联合建模用户-物品交互图和丰富的物品内容，但这种紧密耦合使得用户数据一旦被学习就难以移除。近似机器遗忘提供了一种替代完全重新训练的高效方案，然而现有 MRS 方法主要依赖在模型上施加大致均匀的反向更新。我们表明，这一假设与现代 MRS 根本不符：被删除数据的影响并非均匀分布，而是集中在排名行为、模态分支和网络层上。这种非均匀性给 MRS 遗忘带来了三个瓶颈：协同图中目标物品的持久性、特征分支间的模态不平衡，以及参数空间中的逐层敏感性。为解决这一不匹配，我们提出了定向反向更新（TRU），一种面向 MRS 的即插即用遗忘框架。TRU 不施加盲目全局反转，而是在模型层次上执行三个协调干预：排名融合门以抑制排名中残余的目标物品影响，分支-wise 模态缩放以保留保留的多模态表示，以及容量感知的逐层隔离以将反向更新局部化到删除敏感模块。在两个代表性骨干网络、三个数据集和三种遗忘 regime 上的实验表明，TRU 一致地实现了比先前近似基线更好的保留-遗忘权衡，而安全审计进一步证实了更深入的遗忘以及更接近在保留数据上完全重新训练的行为。
引用
@article{arxiv.2604.02183,
title = {TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning},
author = {Zhanting Zhou and KaHou Tam and Ziqiang Zheng and Zeyu Ma and Yang Yang},
journal= {arXiv preprint arXiv:2604.02183},
year = {2026}
}