论文阅读：Selective amnesia: A continual learning approach to forgetting in deep generative models

最新推荐文章于 2025-07-29 11:28:59 发布
最新推荐文章于 2025-07-29 11:28:59 发布
阅读量1.1k 收藏 16
点赞数 18
CC 4.0 BY-SA版权
分类专栏： AIGC系列 文章标签： 论文阅读 AIGC 持续学习 概念擦除
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/huzimu_/article/details/136907496
本文提出了一种名为SelectiveAmnesia(SA)的方法，利用连续学习中的EWC和GR技巧来处理深度生成模型中的概念遗忘。通过定义并优化特定的损失函数，SA在保持模型整体性能的同时，有效地遗忘指定的概念。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Selective amnesia: A continual learning approach to forgetting in deep generative models

这篇文章提出了Selective Amnesia （SA），其借助了持续学习（continual learning）中的技巧（EWC和GR）实现生成模型中的概念遗忘。

  • 输入：forget conceps cfc_fcf​及其对应图片xfx_fxf​，remaining concepts crc_rcr
最低0.47元/天 解锁文章

200万优质内容无限畅学
NeurIPS2023丨Generative Model 相关工作最新进展
AI_Conf的博客
11-27 1249
NeurIPS，全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。作为目前全球最负盛名的人工智能盛会之一，NeurIPS 在每年年末都是计算机科学领域瞩目的焦点。被 NeurIPS 接收的论文，代表着当今神经科学和人工智能研究的最高水平。
【机器遗忘之Selective amnesia算法】2024年NIPS顶刊论文：A continual learning approach to forgetting in deep
BetterBench的博客
01-05 1464
本文提出了一种名为“选择性遗忘”（Selective Amnesia）的技术，它基于持续学习理念，通过结合弹性权重固化（Elastic Weight Consolidation, EWC）和生成性重放（Generative Replay, GR）方法，并引入替代目标分布，实现对预训练深度生成模型中特定概念的选择性遗忘，允许用户指定如何遗忘特定概念。
插件8：拼写检查
热门推荐
dearbaba_1666的博客
06-27 15万+
<?php // Plug-in 8: Spell Check // This is an executable example with additional code supplie
论文阅读-RaftStereo
zjuPeco的博客
07-26 900
RaftStereo的论文精读。
【论文阅读】-《GenAttack: Practical Black-box Attacks with Gradient-Free Optimization》
spinage的博客
07-25 960
GenAttack：基于遗传算法的黑盒对抗攻击方法 本文提出GenAttack，一种利用遗传算法进行无梯度优化的黑盒对抗攻击方法。该方法通过进化策略迭代生成对抗样本，显著降低了查询次数。实验表明，在MNIST、CIFAR-10和ImageNet数据集上，GenAttack分别比现有最佳黑盒方法ZOO减少了2126倍、2568倍和237倍的查询量。该方法还能成功攻击集成对抗训练和随机化输入变换等防御机制。GenAttack的无梯度特性使其能够绕过依赖梯度掩码的防御，为黑盒对抗攻击提供了新思路。开源代码已发布以
FalconFS: Distributed File System for Large-Scale Deep Learning Pipeline——论文阅读
重新开始写博客
07-25 829
针对有状态客户端的问题，内存消耗大、缓存命中率低等问题。本文提出FalconFS，采用无状态客户端架构，包括3个创新点：（1）混合元数据索引，利用文件名哈希定位文件inode，同时结合路径遍历重定向和覆盖重定向实现负载平衡。（2）惰性命名空间复制，将整个目录树复制到所有元数据服务器，并采用基于失效的机制进行更新。（3）并发请求合并，批处理相似元数据请求，减少日志和锁开销，提升并发性。
AI论文阅读方法+arixiv
qq_62585870的博客
07-28 228
文件拖拽到AI，发送提示词：“请仔细阅读这篇论文，提取出其核心内容，包括研究目的、主要方法、关键结论和创新点。用简洁明了的语言总结出论文的核心概述，字数控制在300字以内。重点突出论文的研究重点和贡献，避免过多细节描述，确保内容精炼且准确反映论文主旨。在完成前面各部分的基础上，对整篇论文进行总结。总结内容包括论文的主要贡献、研究方法的创新点、实验结果的意义以及论文的不足之处和未来可能的研究方向。
Visible and Clear: Finding Tiny Objects in Difference Map之SR-TOD论文阅读
qq_41627642的博客
07-25 929
小目标检测是大多数通用检测器面临的关键挑战之一。其主要难点在于提取小目标的有效特征。现有方法通常采用基于生成的特征增强方式，但容易受到虚假纹理和伪影的影响，导致小目标特定特征难以被检测器清晰“看见”。为了解决这一问题，我们提出了一种自重构小目标检测（SR‑TOD）框架。我们首次在检测模型中引入自重构机制，并发现该机制与小目标存在强相关性。具体而言，我们在检测器的 neck 结构之间插入一个重构头，构建输入图像与重构图像的差异图，该图对小目标具有高度敏感性。
PPO原论文阅读
2301_80365274的博客
07-25 755
(deep)Q-learning:在一些简单问题上表现不佳，可理解性差基础的policy gradient算法：（如REINFORCE）鲁棒性差，需要大量数据TRPO：复杂，在包含噪音（如dropout）或者权重共享机制的问题中不兼容在扩展性、数据利用率以及鲁棒性上还有上升空间。
[论文阅读] 人工智能 + 软件工程 | CASCADE：用LLM+编译器技术破解JavaScript混淆难题
张较瘦
07-28 1199
本文介绍了谷歌团队开发的CASCADE反混淆工具，它通过结合大语言模型（Gemini）和编译器中间表示（JSIR），专门破解恶意软件常用的Obfuscator.IO工具生成的JavaScript混淆代码。CASCADE的核心是识别混淆依赖的三个核心函数，再通过动态执行和代码转换恢复原始字符串，解决了传统方法依赖硬编码规则、准确率低的问题。实验显示其核心函数识别准确率达99.56%，平均每样本恢复945个字符串，已在谷歌生产环境部署并开源相关工具，为JavaScript反混淆提供了高效可靠的新方案。
【论文阅读53】-CNN-LSTM-滑坡风险随时间变化研究
wangshangshang09的博客
07-28 731
这篇论文创新性地将深度学习中 CNN 和 LSTM 结合，提出了一种**高效、自动化的滑坡时变风险评估框架**，为滑坡风险管理提供了新思路和实用工具。
论文阅读：LMM-Det: Make Large Multimodal Models Excel in Object Detection
最新发布
微风❤水墨
07-29 50
【摘要】LMM-Det框架首次证明大型多模态模型(LMMs)无需额外检测模块即可实现专业级目标检测性能。研究发现现有LMMs检测性能差的主因是召回率不足，提出三方面改进：1)采用高分辨率视觉编码器(OWLv2-ViT)和线性投影器保留细节特征；2)通过伪标签生成和数据重组构建检测指令数据集，采用类别特定预测策略提升召回；3)分阶段训练方案，先对齐视觉语言模块，再用检测数据微调。实验表明，同时增加数据量和分辨率(336→644)可使AP从16.0提升至38.7。该工作为LMMs在目标检测领域的应用提供了新思路
Multiscale Structure Guided Diffusion for Image Deblurring 论文阅读
qq_45987837的博客
07-25 766
摘要 本文提出了一种基于多尺度结构引导的扩散概率模型（DPM）方法，用于提升图像去模糊的鲁棒性和感知质量。针对现有图像条件DPMs（icDPMs）在域外数据上表现不佳的问题，该方法引入了一个回归网络提取多尺度结构特征作为中间引导，为扩散模型提供清晰图像的结构先验。实验表明，仅需在单个数据集上训练，该方法就能在多个未见测试集上实现更鲁棒的去模糊效果，既保持了竞争性的失真指标，又显著减少了伪影，达到了最先进的感知质量。该方法优于基于回归和GAN的基线模型，尤其在处理域外模糊图像时展现出更强的泛化能力。
论文阅读-IGEV
zjuPeco的博客
07-27 401
IGEV的论文精读
【论文阅读】Safety Alignment Should Be Made More Than Just a Few Tokens Deep
xianshuiyihui的博客
07-28 789
token级大模型安全深度论文详解
【论文阅读51】-CNN-LSTM-安全系数和失效概率预测
wangshangshang09的博客
07-25 1154
总结来说，这篇论文提出并验证了一个创新的深度学习模拟器，能高效准确地实现滑坡灾害的时变概率预测
论文阅读：2024 arxiv AutoDefense: Multi-Agent LLM Defense against Jailbreak Attacks
CSPhD-winston的博客
07-29 694
尽管大型语言模型（LLMs）经过了大量的道德对齐预训练以防止生成有害信息，但它们仍然容易受到越狱攻击。在本文中，我们提出了AutoDefense，这是一种多智能体防御框架，用于过滤大型语言模型产生的有害响应。凭借响应过滤机制，我们的框架能有效抵御各种越狱攻击提示，并且可用于保护不同的目标模型。AutoDefense为大语言模型智能体分配不同角色，让它们协作完成防御任务。任务分工提高了大语言模型整体遵循指令的能力，并使其他防御组件能作为工具融入其中。
AIGC文生图框架基础
qq_48496633的博客
07-25 677
Stable Diffusion的结构与原理与SD本地部署，SD提示词讲解
aigc(1.1) opensora-2.0
duoyasong5907的博客
07-28 43
下图来自论文，可见VAE是一个因果注意力的3D结构。在配图左侧，视频会被编码为video token序列，而在配图右侧，去噪的video token会被解码为视频。论文图6是hunyuan VAE的结构，可见视频序列在编码过程中，时空上的尺寸会减小，从而减少了序列长度。open sora2.0的VAE模块来自HunyuanVideo，
ERROR: Could not find a version that satisfies the requirement selective_scan_cuda
12-22
这个错误通常出现在Python包管理工具（如pip）安装过程中，当你尝试安装名为"selective_scan_cuda"的特定版本库时找不到可用的对应版本。这可能是由于以下几个原因： 1. **包不存在**：该库可能还没有发布到PyPI（Python Package Index），或者已经不再维护。 2. **网络问题**：访问PyPI时遇到网络问题，导致无法下载。 3. **版本冲突**：可能有其他依赖项限制了可选版本，需要检查你的项目设置。 4. **CUDA版本不匹配**：如果该库专为某个CUDA版本设计，你需要确保你的系统上安装了正确的CUDA版本。 解决这个问题可以尝试以下步骤： - 检查官方文档或GitHub仓库确认是否有可用的最新版本或替代库。 - 更新pip到最新版本：`pip install --upgrade pip` - 如果有版本依赖，尝试指定一个较新的兼容版本：`pip install selective_scan_cuda==<version>` - 清理已损坏的依赖并重新安装：`pip uninstall -y selective_scan_cuda && pip install selective_scan_cuda`
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值