SAEParate实现扩散模型概念分离遗忘

arXiv论文提出SAEParate方法，旨在解决扩散模型遗忘任务中语义重叠概念难以分离的问题。该方法利用概念感知对比学习，在稀疏自编码器的隐空间中显式分离相关概念，有效克服了共享隐特征带来的干扰。 为提升表达能力，SAEParate增强了编码器的非线性变换，并通过交叉注意力引导空间聚合，强调与特定概念相关的区域。这一机制使得模型在处理复杂语义时更具针对性。 实验表明，SAEParate在UnlearnCanvas基准上展示了SOTA性能。特别是在联合风格-对象遗忘等高难度场景中，该方法显著缓解了相关概念的干扰，实现了更精准的概念分离遗忘。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。