大型语言模型（LLM）虽然在语言理解领域取得了显著进展，但也面临数据记忆和隐私泄露等问题。为解决这些问题，研究者提出了模型反学习（LLM Unlearning）技术，旨在在不重新训练的情况下删除模型中的不良知识。香港浸会大学与康奈尔大学合作提出了一种名为梯度效应（G-effect）的分析框架，从梯度视角系统地分析了各种反学习方法的性能变化及其内在机制，并提出了一系列改进方法，显著提升了LLM反学习的有效性。
大型语言模型（LLM）虽然在语言理解领域取得了显著进展，但也面临数据记忆和隐私泄露等问题。为解决这些问题，研究者提出了模型反学习（LLM Unlearning）技术，旨在在不重新训练的情况下删除模型中的不良知识。香港浸会大学与康奈尔大学合作提出了一种名为梯度效应（G-effect）的分析框架，从梯度视角系统地分析了各种反学习方法的性能变化及其内在机制，并提出了一系列改进方法，显著提升了LLM反学习的有效性。
