arXiv · AI· Md Sazid Uddin, Md. Khairul Alam Mazumder, M. F. Mridha·· 2026-10-05AI 评分31
Certified Mechanistic Edits:技能移除与保留的行为保证
Certified Mechanistic Edits: Behavioral Guarantees for Skill Removal and Preservation
AI 导读
该研究提出认证机制编辑方法,从 ReLU 网络到 Transformer 证明电路禁用可移除特定技能且保留其他技能。 通过切换至 sound bound propagation,处理输入扰动维度达精确求解器的 9 倍,并证明有限黑盒测试无法认证移除。 保证适用于小尺度标准架构网络,且预设目标技能具有可判定规范,现实危害可能不具备此属性。
来源:arXiv · AI · arxiv.org