PINT：用统计独立性实现 LLM 机器遗忘
原文标题：Forget What Comes Next: LLM Unlearning via Statistical Independence
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 PINT 遗忘算法，利用希尔伯特-施密特独立性准则（HSIC）降低待遗忘 token 与内部表示之间的统计依赖，并给出与精确记忆的可计算上界关系。实验覆盖 7B 至 70B 模型、八种设置，是唯一能让高斯毒化样本不可检测且保持模型效用的方法。
- 问题
- 现有 LLM 遗忘方法处理后，被投毒样本仍可被统计检测，遗忘是否真正生效存疑。
- 方法
- 用希尔伯特-施密特独立性准则降低待遗忘 token 与内部表示的统计依赖，并给出与精确记忆的可计算上界关系。
- 结果
- 覆盖 7B 至 70B 模型、八种设置，平均遗忘-效用权衡最优，是唯一让高斯毒化样本不可检测且保持近原始效用的方法。
- 影响
- 合规与隐私场景可把遗忘目标从输出抑制转向表示去相关，使遗忘结果经得起统计检测。
深读 · 结论先行AI 生成展开看要点与影响 ↓
PINT 用 HSIC 降低待遗忘 token 与内部表示的统计依赖，是唯一让高斯毒化样本不可检测且保效用的方法。
- •用希尔伯特-施密特独立性准则（HSIC）削弱待遗忘 token 与预测它们的内部表示间的统计依赖
- •通过可计算上界把 HSIC 目标与精确记忆形式关联，直连模型复现被遗忘 token 的能力
- •覆盖 7B 至 70B 模型、八种设置，评估高斯毒化、个人信息、生物与网络安全危险知识、版权书籍与新闻
- •平均取得最强遗忘-效用权衡，且是唯一让高斯毒化不可检测同时保持接近原始效用的方法
- •代码已开源
为什么重要：毒化样本在遗忘后仍可被统计检测，等于遗忘没真删掉；PINT 把「可检测性」纳入遗忘目标，对合规与安全团队是可验证的新基线。
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。