arXiv cs.CL· Tyler Lizzo, Larry Heck·· 2 天前AI 评分26
行为遗忘不等于隐私：机器遗忘评估的跨语言漏洞
Behavioral Forgetting Is Not Privacy in Machine Unlearning
AI 导读
研究指出，机器遗忘评估仅衡量指定基准分布上的行为遗忘，不足以代表隐私保护效果。跨语言查询案例显示，多个多语言模型家族在查询语义等价但语言和文字不同的信息时，遗忘程度差异显著。单一访问路径即可暴露行为遗忘与信息不可获取之间的真实差距，需将访问路径泛化与对抗性可恢复性纳入评估。
正文 · AI 翻译
摘要：机器遗忘旨在从大型语言模型中移除特定信息，但现有评估通常仅在指定的基准分布上衡量遗忘效果。我们认为，这种行为层面的遗忘不足以作为面向隐私的遗忘标准，评估应转而检验遗忘是否在可能恢复同一信息的各条访问路径上持续存在。我们通过一个受控的跨语言查询案例研究证明了这一点：在多个多语言模型系列中，当以不同语言和文字查询语义等价的信息时，遗忘效果存在显著差异。因此，仅一条访问路径就足以揭示行为遗忘与信息不可获取之间的真实差距，这促使我们在分布内遗忘之外，对访问路径泛化性和对抗性可恢复性开展更广泛的评估。
| 评论： | 被接收为 NeurIPS 2026 PriLOM Workshop 的 poster |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.21799 [cs.CL] |
| （或 arXiv:2610.21799v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21799 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Tyler Lizzo [查看邮箱]
[v1]
2026年10月15日星期四 12:48:16 UTC（66 KB）
来源：arXiv cs.CL · arxiv.org