机器反学习

ICML2025｜探索损失加权机制的本质以实现更好的LLM反学习

基于海量数据训练得到的大语言模型（LLM）表现出强大的推理和解决问题的能力，但也深受海量数据带来的敏感信息（隐私、安全、伦理问题）困扰。机器反学习（Unlearning）旨在准确擦除目标知识，同时保持模型在其他目标任务上的能力。基于损失加权方法的诸多探索已表现出对于LLM反学习的益处，然而，它们的具体功能并不明确，最佳策略也是一个悬而未决的问题，因此阻碍了对现有方法的理解和改进。

8/6/2025 5:03:00 PM

新闻资讯

资讯热榜

OpenAI更新ChatGPT规则：10月29日起禁止医疗、法律与财务建议 eBay携手ChatGPT开启智能电商新时代，购物体验将全面升级！ Reddit CEO直言：AI聊天机器人并未带来流量红利，搜索仍是核心引擎 OpenAI年收入已远超130亿美元，上市计划仍遥遥无期 OpenAI 开放 Sora2视频工具，面向美国、加拿大、日本和韩国用户从AI到泰勒·斯威夫特——源于生活的案例与启示看完刘润年度演讲，教你做好AI时代的能力迁徙！库克:苹果将在人工智能领域寻求更多收购与合作机会

标签云

AI 人工智能 OpenAI AIGC 模型 ChatGPT DeepSeek 谷歌 AI绘画大模型机器人数据 Midjourney 开源 Meta AI新词微软智能用户 GPT 学习技术智能体马斯克 Gemini 图像 Anthropic 英伟达 AI创作训练 LLM 论文代码算法 Agent AI for Science 芯片苹果 Claude 腾讯 Stable Diffusion 蛋白质开发者生成式神经网络 xAI 机器学习 3D RAG 人形机器人 AI视频研究大语言模型具身智能生成百度 Sora 工具 GPU 华为计算字节跳动 AI设计大型语言模型 AGI 搜索视频生成场景深度学习架构生成式AI DeepMind 编程亚马逊视觉 Transformer AI模型预测特斯拉 MCP