用于扩散模型概念擦除的推拉式注意力锚定

基于摘要分析。本文研究预训练扩散模型的概念擦除：在不进行完整重训练的前提下，移除不希望生成的概念，并尽量避免损害非目标内容的生成质量。作者提出 Push-Pull Attentional Anchoring（PPAA），在交叉注意力空间中移开目标表征，同时通过有界余弦相似度约束锚定擦除幅度，以控制语义漂移。 核心机制是用相对相似度比值而非绝对差值定义自适应阈值。作者将该阈值解释为具有明确语义保留比例含义的控制量，并据此在不同层统一使用同一阈值。该设计针对作者指出的现有方法问题：依赖 classifier-free guidance 或负面提示词缩放等启发式强度调节，可能造成过度且难以控制的语义漂移。摘要未给出相似度计算对象、约束公式、具体优化目标，以及训练或推理时的实施方式，这些细节尚未验证。 作者报告，在涵盖名人、艺术风格、裸体及知识产权相关概念的实验中，PPAA 在 Stable Diffusion v1.4 上相较既有方法取得了较有利的概念擦除与非目标生成质量权衡，并展示了对 FLUX 等现代架构的适用性。摘要未提供具体指标、数值、提示词与数据划分、对照方法配置，因而暂不能判断改进幅度或跨架构适用范围；实验协议、消融及统计信息尚未验证。 本文的直接研究对象是图像生成模型的概念控制，并非 EEG 解码或 BCI。现有材料不足以建立具体的神经信号方法迁移路径，不将其结果解释为已验证的 BCI 收益。复现前需核对擦除强度与语义保留之间的操作性定义、不同概念类别的评估方式，以及跨层统一阈值的有效边界。