热点事件持续更新
Mamushi：LLM表示空间非参数分布遗忘框架
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月1日，arXiv cs.AI 收录论文《Mamushi：面向 LLM 表示空间的非参数分布性遗忘框架》。该工作提出 Mamushi 框架，面向大语言模型的表示空间做非参数化的分布性遗忘：用概率分类器的 Bayes 最优 logit 对遗忘样本排序，并指出该 logit 等于 forget-to-retain 对数密度比。研究证明，对群体对数密度比做阈值化，可在固定预算下得到最优选择规则，同时给出非渐近迁移保证。在毒性语言与主题域去除数据集上，Mamushi 的去除—保留权衡优于基线，并减少了达到固定遗忘目标所需的遗忘样本数。截至该报道，尚无后续进展披露。
AI 根据报道生成 · 2 小时前更新
最新进展10月1日 12:00
arXiv 新论文提出 Mamushi 非参数分布性遗忘框架，在毒性语言与主题域去除上优于基线。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv cs.AIMamushi：面向 LLM 表示空间的非参数分布性遗忘框架
Mamushi 是面向 LLM 表示空间的非参数分布性遗忘框架，用概率分类器的 Bayes 最优 logit 对遗忘样本排序，该 logit 等于 forget-to-retain 对数密度比。研究证明对群体对数密度比做阈值化可得固定预算下的最优选择规则，并给出非渐近迁移保证。在毒性语言与主题域去除数据集上，其去除—保留权衡优于基线，并减少达到固定遗忘目标所需的遗忘样本数。
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。