CURE：基于 LLM 的推荐的电路感知取消学习

大语言模型 (LLM) 的最新进展通过实现对用户兴趣和项目属性的丰富语义理解和推理，为推荐系统带来了新的机遇。然而，随着隐私法规的收紧，将用户数据纳入基于 LLM 的推荐 (LLMRec) 会带来重大的隐私风险，使得遗忘算法对于实际部署变得越来越重要。尽管人们对 LLMRec 遗忘的兴趣日益浓厚，但大多数现有方法将遗忘制定为遗忘和保留目标的加权组合，同时以统一的方式更新模型参数。这种公式不可避免地会引起两个目标之间的梯度冲突，导致优化不稳定，导致无效的遗忘或模型效用的严重下降。此外，遗忘过程在很大程度上仍然是黑匣子，破坏了其透明度和可信度。为了应对这些挑战，我们提出了 CURE，这是一种电路感知的去学习框架，它将模型组件分解为功能不同的子集并有选择地更新它们。这里，电路是指对特定任务行为负有因果责任的计算子图。具体来说，我们提取了项目推荐背后的核心电路，并分析了这些电路中的各个模块如何有助于忘记和保留目标。基于此分析，这些模块被分为特定遗忘组、特定保留组和任务共享组，每个组都遵循特定功能的更新规则，以减轻遗忘过程中的梯度冲突。对现实世界数据集的实验表明，我们的方法比现有基线实现了更有效的遗忘。