目标：锚定身份特征，然后匹配多模态 大语言模型 Unlearning

多模式 大语言模型 (MLLM) 可以在 微调 数据中记住有关人员的特定身份事实，当有人请求删除时，会产生隐私风险。现有的 MLLM 遗忘方法通常假设在删除过程中保留图像或 真值 答案，这在许多实际场景中是不现实的。当保留图像在删除时不可用时，我们研究身份遗忘。我们的分析表明，身份和视觉感知问题在微调隐藏状态中占据不同的区域，并且组织方式不同：身份问题按人聚类，而感知问题按问题类型聚类。这表明身份知识可以在不消除一般视觉感知的情况下被抑制。基于这一观察，我们提出了 AIM，这是一种两阶段方法，通过通用视觉提示锚定忘记身份的目标，然后在基于 Fisher 的约束下将视觉编码器与该目标进行匹配。大量实验表明，AIM 实现了竞争性身份遗忘，同时保留了同一图像上未删除的身份、先验知识和视觉感知。