arXiv cs.AI· Kaiyuan Deng, Yuchen Li, Gen Li, Yang Xiao, Geng Yuan, Xiaoyong Yuan, Bo Hui, Xiaolong Ma·· 3 天前AI 评分27
AVCE：面向扩散模型可验证概念擦除的审计感知遗忘框架
No Concept Escapes the Audit: Auditing-Aware Unlearning for Verifiable Concept Erasure in Diffusion Models
AI 导读
针对文本到图像扩散模型的概念擦除方法，研究提出 AVCE 框架，将擦除锚定在模型潜空间中，审计每个概念的嵌入邻域并将脆弱方向压缩为锚点，再以闭式解编辑交叉注意力和自注意力投影。在 SD v1.5、SDXL 和 Flux 1.0 上，AVCE 将攻击成功率降低 5.07 倍、审计分数提升 3.84 倍，同时保持生成质量。
正文 · AI 翻译
摘要：文本到图像扩散模型可能生成违禁内容，这促使人们通过机器遗忘来实现概念擦除。大多数擦除方法在文本接口处进行干预，通过提示修改或对文本条件权重的局部更新来实现，并且它们通过模型对给定提示的输出进行评估。这种评估无法看到网络仍然编码了什么。潜在空间审计绕过了文本条件，直接探测去噪网络，表明被擦除的概念仍可从内部表示中恢复。我们发现，这对于为抵御对抗性提示而构建的方法同样成立，并且该问题随着被擦除概念数量的增加而加剧。我们提出了面向可验证概念擦除的审计感知遗忘框架（AVCE），该框架将擦除建立在模型的潜在表示之上。AVCE 审计每个概念的嵌入邻域，并将发现的脆弱方向浓缩为最弱几何点处的锚点。它在该锚点处以闭式解编辑交叉注意力和自注意力投影，然后使用路径级审计损失对这两条路径进行微调，并利用正交梯度投影来整合多个概念。在 SD v1.5、SDXL 和 Flux 1.0 上针对物体、露骨内容和艺术风格遗忘的实验表明，与最强基线相比，AVCE 将攻击成功率降低了 5.07 倍，将审计分数提高了 3.84 倍，同时保持了有竞争力的生成质量。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.05401 [cs.LG] |
| （或使用 arXiv:2610.05401v2 [cs.LG] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2610.05401 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kaiyuan Deng [查看电子邮件]
[v1]
2026年10月4日星期日 17:37:49 UTC（835 KB）
[v2]
2026年10月11日星期日 20:57:56 UTC（833 KB）
来源：arXiv cs.AI · arxiv.org