↓↓↓文章末尾获取原文链接↓↓↓
本文3065字，阅读约需9分钟
摘 要：提出了一种“近似域遗忘(ADU)”技术，使预训练的大型视觉语言模型(VLM）能够“遗忘”属于特定域的数据，从而实现更准确的AI图像识别。
关键词：AI、图像识别、遗忘、域特征、识别精度
要点
-
首次提出“近似域遗忘(Approximate Domain Unlearning：ADU)”技术，使预训练的大型视觉语言模型(Vision-Language Model：VLM）能够“遗忘”属于特定域的数据，从而无法识别这些数据。
-
新引入了在特征空间上分离不同域的“域解耦损失（Domain Disentangling Loss：DDL）”和能够自适应捕捉每幅图像域特性的“实例提示生成器（Instance-wise Prompt Generator：InstaPG）”，实现了以往难以实现的基于域的选择性遗忘。
-
在四种标准图像识别测试数据上，与传统方法相比，平均性能提升了约1.6倍。
-
提出了一项可根据目的灵活控制人工智能所掌握知识的新设计原则，为安全、可靠地使用人工智能开辟了道路。
研究小组首创提出并创造了“近似域遗忘(Approximate Domain Unlearning：ADU)”新技术，使预训练的大型视觉语言模型(Vision-Language Model：VLM＊1）能够“遗忘”特定域(＊2)，从而无法识别这些域。这项技术降低了人工智能统一识别所有图像所导致的误识别风险和可靠性问题，同时展现了新型人工智能根据使用目的灵活控制知识的潜力。