UUE：通过零空间引导编辑与轻量适配器实现非定向语言模型遗忘

基于摘要分析。本文研究 LLM 中私密、敏感或危险知识的遗忘问题，提出轻量且可控的 UUE 框架，将遗忘重新表述为零空间引导的模型编辑，目标是在移除不期望知识的同时保留模型的一般效用。 机制上，UUE 引入无需显式目标输出的编辑目标，并设计可插拔的遗忘适配器，通过零空间引导推导闭式解析更新，以减少对保留知识的干扰。作者进一步结合 LoRA 提出 UUE-L，以提高效率。相较于摘要所描述的依赖微调的既有方法，其主要方法贡献是将遗忘操作转为受约束的解析编辑，而非仅通过微调调整模型。编辑目标的具体形式、零空间的构造依据、适配器插入位置及 LoRA 的使用方式均尚未验证。 作者报告，在 TOFU 和 WMDP 基准上、跨多个 LLM 的实验中，UUE 与 UUE-L 的遗忘效果优于现有方法。摘要未提供模型名称、数据划分、对照方法、具体指标或数值，因此尚不能判断优势幅度，也不能量化一般效用的保持程度。实验协议、消融及统计信息尚未验证；复现还需核对遗忘集与保留集的定义、闭式更新所需数据、计算与存储成本，以及遗忘后知识能否被重新诱发。 本文的主要研究对象是语言模型知识遗忘，而非 EEG 解码或 BCI。摘要未建立零空间编辑与神经信号任务之间的具体对应关系，因此不据此推断 BCI 有效性，也不提出迁移实验方案；已有 EEG 相关工作尚未检索确认。