arXiv cs.CL· Fengli Wu, Vaidehi Patil, Jaehong Yoon, Yue Zhang, Mohit Bansal·· 11 小时前AI 评分31
MedForget：面向医疗 AI 的层级感知多模态遗忘基准与 CHIP 方法
Hierarchy-Aware Multimodal Unlearning for Medical AI
AI 导读
研究提出 MedForget——一个将医疗机构数据建模为嵌套结构的层级感知多模态遗忘基准，可对 retain/forget 划分做细粒度评估。实验显示现有遗忘方法难以在不损失保留效用的前提下实现层级感知遗忘。为此提出免训练的 CHIP 方法，通过选择性移除目标专属权重子空间、保留同级共享信息，在所有层级上取得最高 forget-retain 性能差距，并保持有竞争力的下游效用。
正文 · AI 翻译
摘要：多模态大语言模型（MLLMs）越来越多地应用于医疗 AI 等敏感领域，在这些领域中，包括 HIPAA 和 GDPR 在内的隐私法规要求删除特定个人或机构的数据。这推动了机器遗忘的研究，其目标是从已训练的模型中移除目标数据的影响。然而，现有的遗忘基准无法反映真实世界医疗数据的层次化和多模态结构，限制了它们在实践中正确评估遗忘的能力。因此，我们提出了 MedForget，一个层次感知的多模态遗忘基准，它将来自医疗机构的数据建模为嵌套结构，从而能够在保留集和遗忘集上实现细粒度评估。实验表明，当前的遗忘方法难以在不降低保留效用（以临床相关预测任务上的性能衡量）的情况下实现有效的层次感知遗忘。为解决这一局限，我们提出了跨模态层次信息投影遗忘方法（CHIP），这是一种无需训练的、层次感知的多模态遗忘方法，它通过选择性地移除目标特定的权重子空间来删除信息，同时保留同级共享信息。我们的结果表明，与现有方法相比，CHIP 在所有层次级别上都实现了最高的遗忘-保留性能差距，同时保持了下游效用的竞争力。总体而言，MedForget 为评估医疗数据的层次感知多模态遗忘提供了一个实用基准，而 CHIP 提供了一种有效的解决方案，可跨架构泛化，并在删除与效用之间取得平衡。
| 评论： | 发表于 TMLR 2026，数据集与代码：此 https URL，前两位作者贡献相同 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2512.09867 [cs.CV] |
| （或 arXiv:2512.09867v4 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.09867 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Vaidehi Patil [查看邮箱]
[v1]
2025 年 12 月 10 日星期三 17:55:06 UTC（2,247 KB）
[v2]
2026 年 1 月 20 日星期二 03:41:34 UTC（4,224 KB）
[v3]
2026 年 1 月 23 日星期五 02:43:59 UTC（4,223 KB）
[v4]
2026 年 10 月 31 日星期六 00:35:42 UTC（4,318 KB）
来源：arXiv cs.CL · arxiv.org