TRACER：用Token重分配实现生成式推荐概念遗忘
热点事件持续更新
TRACER：用Token重分配实现生成式推荐概念遗忘
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Ziheng Chen等作者提出TRACER，一个基于token重分配的端到端概念遗忘框架，用于在生成式推荐中移除敏感或有害概念。 针对被遗忘物品与保留物品共享SID、导致概念移除与推荐效用冲突的问题，TRACER不直接压制共享SID，而是把概念相关物品重分配到更利于遗忘的替代token，并引入一致性正则项保持保留项的语义一致性。 作者称，在真实推荐数据集上，TRACER能有效移除目标概念，且推荐效用保留显著优于现有遗忘基线。
AI 根据报道生成 · 2 小时前更新
最新进展11月4日 13:00
TRACER：用 Token 重分配实现生成式推荐中的概念擦除报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv cs.CLTRACER：用 Token 重分配实现生成式推荐中的概念擦除
TRACER 是一个基于 token 重分配的端到端概念遗忘框架，用于生成式推荐中移除敏感或有害概念。针对 SID 被遗忘项与保留项共享、导致概念移除与推荐效用冲突的问题，它不直接压制共享 SID，而是将概念相关物品重分配到更利于遗忘的替代 token，并引入一致性正则项保持保留项的语义一致性。在真实推荐数据集上，TRACER 有效移除目标概念，且推荐效用保留显著优于现有遗忘基线。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。