研究者提出样本级机器遗忘框架SALA

研究者 Yaxin Xiao 等人提出 SALA（Sample-grained Likelihoods ALignment），一个即插即用的优化框架，让近似机器遗忘方法能在单个样本层面运作，把每个样本导向其正确的目标分布。 该工作同时提出样本粒度分布差距指标，用于衡量遗忘后单个样本的分布与目标分布之间的偏差。SALA 的定位是插件式优化，需配合已有的近似机器遗忘方法使用，而非替代这些方法。 报道未给出实验数据或与其他方法的对比结果，SALA 的实际效果尚待验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。