机器学习的最新进展（MU）引入了解决方案，以选择性去除深度神经网络中编码的私人或敏感信息。但是，多模式大语言模型（MLLM）的MU仍处于其新生阶段。因此，我们建议在MLLM时代重新重新重新重新制定多模式MU的任务，该任务仅删除与给定实体相关的视觉模式，同时保留语言模型骨干的原始参数中编码的相应文本知识 ...

双手操纵在机器人技术中至关重要，但由于协调两个机器人手臂的固有复杂性（导致多模态动作分布）和训练数据的稀缺，开发基础模型极具挑战性。在本文中，我们提出了机器人扩散 Transformer （RDT），这是一种用于双手操作的开创性扩散基础模型。 RDT 基于扩散模型来有效地表示多模态，通过可扩展 Transformer 的创新设计来处理多模态输入的异构性并捕获机器人数据的非线性和高频 ...

文本到图像扩散模型的最新进展显着促进了高质量图像的产生，同时也引起了人们对非法创建有害内容的关注，例如受版权保护的图像。现有的概念擦除方法在防止提示中删除概念的产生时取得了较高的成果，但通常在防止不希望的编辑方面表现较差。为了解决这个问题，我们提出了一种反编辑概念擦除方法（ACE）方法，该方法不仅在生成过程中删除了目标概念，而且还可以在编辑过程中滤除它 ...

文本到图像扩散模型的扩散引起了严重的隐私和安全问题，尤其是在受版权或有害图像的产生方面。为了解决这些问题，对机器学习的研究开发了各种概念擦除方法，旨在通过事后培训来消除不需要的数据的效果。但是，我们表明这些擦除技术很容易受到伤害，其中仍然可以使用对抗制作的提示来生成所谓的擦除概念的图像 ...

概念擦除已成为一种有前途的技术，用于通过选择性地学习不良概念来减轻扩散模型中有害内容产生的风险。删除特定概念的先前作品的共同原则是将其映射到固定的通用概念，例如中性概念或仅一个空文本提示。在本文中，我们证明了这种固定目标策略是次优的，因为它无法解释擦除一个概念对其他概念的影响 ...

已经进行了研究，以防止特定的概念是通过鉴定文本到图像生成模型产生的，从而以各种方式实现概念擦除。但是，这些研究的绩效评估仍然在很大程度上依赖于可视化，而研究的优越性通常由人类主观性决定。定量评估的指标也有所不同，因此难以进行全面的比较 ...

文本到图像扩散模型表明，产生各种不必要的内容（例如性元素）的潜在风险。为了解决这个问题，已经引入了概念擦除的任务，旨在消除模型可以生成的任何不希望的概念。以前的方法，无论是基于培训还是无培训，主要集中在输入方面，即 ...

在视频推荐系统中，通常用于推断用户兴趣的用户行为，例如观看时间，喜欢和遵循。但是，这些行为受到各种偏见的影响，包括持续时间偏见，人口偏见和内容类别偏见，这些偏见掩盖了真正的用户偏好。在本文中，我们假设偏见和用户兴趣彼此独立 ...