CoLU：置信度加权的大模型分层遗忘方法
原文标题：CoLU: Confidence-Weighted Layerwise Unlearning for Large Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 CoLU（置信度加权分层遗忘），结合置信度加权的遗忘与保留正则，仅更新单个选定的 Transformer 层而非全模型。配套的 Brief Layer Screening（BLS）用归一化遗忘-保留分数快速筛选候选层，将运行时间降低 60.2%-79.7% 且性能几乎不变。在 TOFU 六个设置中均优于 NPO、SatImp 与 FOM-UL，MUSE 数据集上保留 KnowMem 最高、PrivLeak 最接近零，GPU 显存占用比全模型遗忘低约 77%-80%。
- 问题
- 全模型遗忘微调易损伤保留知识，且不同层的遗忘-保留权衡差异大。
- 方法
- 只更新单个选定 Transformer 层，用置信度加权的遗忘与保留正则，并用归一化遗忘-保留分数快速筛层。
- 结果
- BLS 降低运行时间 60.2%-79.7%；TOFU 六个设置均优于 NPO、SatImp、FOM-UL；显存占用低约 77%-80%。
- 影响
- 把 LLM 遗忘从全模型微调降到单层更新，显著降低合规删除的算力与显存门槛。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CoLU只更新单个Transformer层做遗忘，GPU显存比全模型遗忘低约77%-80%
- •结合置信度加权的遗忘与保留正则，仅更新一个选定层而非全模型
- •BLS用归一化遗忘-保留分数快速筛层，运行时间降低60.2%-79.7%且性能几乎不变
- •TOFU六个设置中均优于NPO、SatImp与FOM-UL，六个中五个优于SimNPO
- •MUSE上保留KnowMem最高、PrivLeak最接近零
为什么重要：把遗忘从全模型微调收缩到单层，显著降低显存与算力门槛，让中小团队也能做合规级模型遗忘。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。