面向生成式推荐的 U-CAN：基于效用感知对比衰减的高效遗忘
机器学习
2026-03-02 v1
摘要
生成式推荐 (GenRec) 通常利用大型语言模型 (LLM) 将个性化定义为指令驱动的序列生成任务。然而，基于用户日志的微调会不可避免地将敏感属性编码到模型参数中，引发严重隐私问题。现有机器遗忘 (MU) 技术在多义性困境 (Polysemy Dilemma) 下难以应对：神经元叠加编码敏感数据与通用推理模式，导致传统梯度或剪枝方法下严重损失效用。为解决此问题，本文提出效用感知对比衰减 (U-CAN) 框架， operates on low-rank adapters。U-CAN 通过对比激活值量化风险，聚焦于对遗忘集合高度敏感但被抑制在保留集合上的神经元。为保障性能，本文引入效用感知校准机制，将权重幅度与保留集合激活范数相结合，为对保留性能贡献大的维度赋予更高效用分数。不同于二元剪枝导致网络结构碎片化，U-CAN 采用可微衰减函数开发自适应软衰减，选择性地削弱 LoRA 适配器上高风险参数，从抑制敏感检索路径，保留推理电路的拓扑连通性。在两个公开数据集上测试七项指标，实验结果表明 U-CAN 在隐私遗忘、效用保留与计算效率方面均取得优异成绩。
引用
@article{arxiv.2602.23400,
title = {U-CAN: Utility-Aware Contrastive Attenuation for Efficient Unlearning in Generative Recommendation},
author = {Zezheng Wu and Rui Wang and Xinghe Cheng and Yang Shao and Qing Yang and Jiapu Wang and Jingwei Zhang},
journal= {arXiv preprint arXiv:2602.23400},
year = {2026}
}