Toward Fine-Grained Forgetting:Attribute Unlearning for Multimodal Large Language Models
论文提出属性级多模态大模型遗忘任务，构建覆盖长文本、数字、短文本目标及多种遗忘比例和问题类型的基准，发现现有方法在保留与遗忘间存在不稳定权衡，并提出轻量级免训练框架 CLRP，通过激活修补定位因果层并应用保留感知投影。
Development
- First ReportToward Fine-Grained Forgetting:Attribute Unlearning for Multimodal Large Language ModelsarXiv cs.AI
- Current Assessment该研究推动机器遗忘从粗粒度画像删除走向细粒度属性遗忘，对隐私合规和个性化 AI 有潜在价值。属性级遗忘可支持更精细的隐私控制，如删除特定属性而不影响其他信息。可验证的下一信号：是否有企业或开源社区采用属性级遗忘基准或 CLRP 方法。Agent Pulse · analysis
该论文将机器遗忘从画像级删除细化为属性级遗忘，针对多模态大语言模型（MLLM）提出新任务和基准。基准涵盖长文本、数字、短文本目标，多种遗忘比例和问题类型。评估显示目标与保留属性共享身份和视觉证据，导致选择性遗忘易出现残留泄漏或附带退化，现有方法在此场景下遗忘-保留权衡不稳定。为此提出 CLRP（Causal Localization and Retain-Aware Projection），一种轻量级免训练框架，利用激活修补定位因果层，并应用保留感知投影，以改善遗忘效果同时保持模型效用。
CLRP 采用激活修补（activation patching）定位对目标属性贡献最大的层，然后应用保留感知投影（retain-aware projection）调整表示，实现免训练遗忘。该方法针对属性级遗忘中目标与保留属性共享证据的挑战，通过因果定位减少残留泄漏，通过保留感知投影减少附带退化。可验证的下一信号：论文是否公开基准和代码，以及 CLRP 在更大规模 MLLM 上的遗忘效果与效用保持。
该研究推动机器遗忘从粗粒度画像删除走向细粒度属性遗忘，对隐私合规和个性化 AI 有潜在价值。属性级遗忘可支持更精细的隐私控制，如删除特定属性而不影响其他信息。可验证的下一信号：是否有企业或开源社区采用属性级遗忘基准或 CLRP 方法。
对提供多模态 AI 服务的公司，属性级遗忘可增强隐私合规能力，降低数据删除请求的处理成本，并提升用户信任。可验证的下一信号：是否有云服务商或 AI 公司在其产品中提供属性级遗忘功能。
属性级遗忘可能成为 MLLM 隐私保护的重要方向，未来或出现更高效的免训练遗忘方法，并集成到模型部署流程中。可验证的下一信号：后续研究是否在更大模型和更多模态上验证 CLRP，以及是否出现新的属性级遗忘基准。