修正流中的幾何擦除框架 GEM

多模態生成模型的快速普及帶來了有害內容合成、深偽和版權侵權等風險，概念擦除作為一種潛在的保障措施應運而生。然而，隨著領域從基於 U-Net 的擴散模型逐漸轉向修正流變壓器，擦除研究難以跟上步伐。在這項研究中，研究論文提出 GEM，一個簡單但高效的修正流模型擦除框架。作為貢獻的一部分，論文探討了在基於軌跡的忘卻（根源於生成流網路）和經典教師指導擦除之間建立原則性的橋樑：研究將基於軌跡的信號轉化為教師指導的流匹配設置，統一了兩種範式的優勢。具體而言，教師提供互補的吸引和排斥信號，研究將其結合為單一的幾何指導目標，從而針對性地壓制不需要的概念，同時保留良性生成。這項工作旨在解決生成式 AI 中的倫理與安全問題，為修正流模型的應用提供更可靠的防護機制。