Unilogit: Robust Machine Unlearning for LLMs Using Uniform-Target Self-Distillation

一、文章主要内容总结

本文聚焦于大语言模型（LLMs）的机器遗忘（Machine Unlearning）领域，提出了一种名为Unilogit的自蒸馏方法，旨在解决模型在选择性遗忘敏感信息的同时保持整体性能的挑战，以满足数据隐私法规（如GDPR）的要求。

1. 核心方法

• 动态均匀目标自蒸馏：通过调整目标对数几率（logits），使目标标记的概率在软最大化（softmax）后变为均匀分布（uniform probability），并利用当前模型的输出生成更准确的软标签（soft labels）。
• 反向KL散度损失：采用反向KL散度（Reverse KL divergence）作为遗忘损失函数，抑制模型对遗忘信息的高置信度预测，同时通过保留损失（retain loss）维持模型在保留数据上的性能。

2. 实验验证

• 基准测试：在MUSE-News（通用场景）、RWKU（无保留集场景）和内部电商数据集上进行实验，结果表明Unilogit在遗忘效果（forgetting performance）和保留性能（retention performance）的平衡上优于现有方法（如NPO、UnDIA