热点事件持续更新
研究提出LLM非参数分布遗忘框架Mamushi
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月，研究人员在 arXiv 发布成果，提出面向大语言模型（LLM）表征空间的非参数分布遗忘框架 Mamushi。该框架利用概率分类器估计遗忘与保留数据的对数密度比，以此筛选待删除的样本。理论分析表明，对该对数密度比设定阈值可在固定预算约束下实现最优选择规则，并具有非渐近迁移保证。在毒性语言及特定主题移除实验中，Mamushi 取得了优于基线方法的移除与保留权衡效果，有效降低了执行遗忘操作所需的样本数量。
AI 根据报道生成 · 5 小时前更新
最新进展10月1日 12:00
研究团队提出LLM分布遗忘框架Mamushi，实验显示其能优化样本筛选并减少遗忘所需样本数。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv 人工智能学会遗忘：面向 LLM 表征空间的分布遗忘
研究人员提出面向 LLM 表征空间的非参数分布遗忘框架 Mamushi，利用概率分类器估计遗忘与保留数据的对数密度比来筛选删除样本。理论上，对该密度比设定阈值可在固定预算下实现最优选择规则，并具备非渐近迁移保证。在毒性语言及特定主题移除实验中，Mamushi 取得了优于基线的移除与保留权衡，有效减少了遗忘所需样本数。
本事件热度走势
当前热度 9·可比范围峰值 10（10月1日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。