在少步蒸馏 Text-to-Image 扩散模型中实现偏好驱动的机器遗忘

基于摘要分析。该研究针对少步蒸馏（few-step distilled，FSD）Text-to-Image 扩散模型中既有机器遗忘方法效果不佳的问题，提出与少步生成特性对齐的偏好驱动遗忘框架，旨在直接移除目标概念，同时保留快速推理和非目标生成能力。 机制上，作者指出，既有数据驱动遗忘目标隐含依赖多步去噪动态，而蒸馏后的少步生成过程改变了这一前提；基于噪声预测误差构建的标准 Direct Preference Optimization（DPO）及其遗忘变体，因此难以直接迁移到 FSD 模型。研究据此修改偏好优化表述，使其适配少步生成性质，而不是先对原始模型进行遗忘，再重新蒸馏。摘要未提供修改后的目标函数、偏好样本构造方式、训练步骤或具体蒸馏模型，不能据此判断实现细节及适用边界。 评估主要涉及身份与 NSFW（裸露）内容移除，并扩展到对象级遗忘。作者报告，在这些任务中获得一致、有效的目标遗忘及较强的非目标能力保留，同时维持少步生成效率。摘要未给出数据集、划分、对照基线、数值指标或计算成本，因此尚不能量化遗忘—保留权衡，也不能确认相较重新蒸馏流程的实际资源节省。实验协议、消融及统计信息尚未验证。 复现时需核对：偏好优化如何对应实际少步采样过程，遗忘与能力保留分别如何测量，以及效果对模型、采样步数和提示词变化的依赖。该材料研究的是图像生成模型的机器遗忘，未提供 EEG/BCI 验证；相关迁移价值仍待评估，已有 EEG 相关工作尚未检索确认。