Nullify：面向 LLM 遗忘的免训练零空间激活引导方法
Nullify 是一种免训练、非破坏性的激活引导方法，用于大语言模型遗忘：它在推理时用引导向量把隐私相关激活从记忆答案上引开，同时满足零空间约束，使保留查询的激活基本不受影响。在 TOFU 和 MUSE 上的评估显示，Nullify 的遗忘质量达到或超过已有基线，并近乎无损地保持模型效用。由于完全不做权重更新，它可作为即插即用的推理时干预框架。
#机器遗忘
arXiv 隐私论文AI 评分4141 arXiv 隐私论文AI 评分2626 面向持续机器遗忘的极小极大高斯机制
研究提出用于牛顿更新在连续删除请求下的高斯机制，借助高斯差分隐私（GDP）及其自适应组合规则，证明整个已发布模型序列在统计上难以与匹配的精确重训练区分。基于计数界的随机游走噪声在删除上限 M 处渐近匹配单次发布的最坏情况方差，而独立噪声则多出约 M 量级的因子；基于集合的界可利用被删除记录的梯度与海森矩阵降低噪声方差。
arXiv 隐私论文AI 评分4242 为何仅遗忘式机器遗忘需要记忆：arXiv 论文给出下界分析
arXiv 论文研究仅接收已训练模型和待遗忘样本、无保留数据的“仅遗忘式”机器遗忘是否总是可行。作者证明这取决于学习方法：不同数据集可产生相同训练模型，却在删除同样样本后需要截然不同的输出，并据此推导出遗忘结果逼近重训练的精度下界。对简单阈值学习器，处理任意删除请求所需记忆的信息量可达整个数据集，而普通训练只保留一个边界点。
arXiv 隐私论文AI 评分5252 Open-MMUnlearning：统一多模态大模型机器遗忘方法与评测
研究者提出开源可扩展框架 Open-MMUnlearning，通过共享接口和结构化配置整合目标模型准备、多模态数据处理、遗忘与评测，覆盖隐私、安全、版权三类共五个基准、四个模型家族的八个 MLLM 和十二种遗忘方法。
Future of Privacy ForumAI 评分4040 前沿 AI 隐私如何度量：为 AI 开发与部署建立隐私基准的探索
前沿 AI 系统在匿名化、数据最小化和数据共享等方面带来隐私挑战，但目前缺乏标准化的隐私风险评估方式。Future of Privacy Forum 指出，标准化隐私基准可为开发团队提供可追踪的量化目标，为第三方评估者提供统一工具，并帮助部署方比较供应商和开展风险评估。