論文總結(jié)與翻譯：《Unlearning at Scale: Implementing the Right to be Forgotten in Large Language Models》一、文章主要內(nèi)容總結(jié)本文聚焦歐盟《通用數(shù)據(jù)保護(hù)條例》（GDPR）第17條規(guī)定的“被遺忘權(quán)”，針對大型語言模型（LLMs）的合規(guī)性難題，提出將模型“遺忘”（Unlearning）轉(zhuǎn)化為可復(fù)現(xiàn)的系統(tǒng)級問題。核心思路是把LLM訓(xùn)練視為確定性程序，通過記錄最小化的微批次日志（含有序樣本ID哈希、隨機數(shù)種子、學(xué)習(xí)率、優(yōu)化器步數(shù)等），在滿足確定性條件時，過濾“待遺忘數(shù)據(jù)”并回放訓(xùn)練過程，可得到與僅用“保留數(shù)據(jù)”訓(xùn)練完全一致的模型參數(shù)（訓(xùn)練數(shù)據(jù)類型下的位級一致）。為平衡延遲與可用性需求，文章設(shè)計了三條互補執(zhí)行路徑：近期步驟精確回滾：通過微檢查點或每步密集增量，實現(xiàn)近期訓(xùn)練步驟的即時精確撤銷；** cohort 范圍適配器刪除**：當(dāng)基礎(chǔ)模型凍結(jié)時，直接刪除特定 cohort 訓(xùn)練的低秩適配器（LoRA），消除該 cohort 數(shù)據(jù)的影響；曲率引導(dǎo)反更新：緊急場景下，先基于曲率（如對角Fisher信息）計算反更新調(diào)整模型，再用保留數(shù)據(jù)微調(diào)，若審計不通過則升級為精確回放。此外，文章還構(gòu)建了可審計的工作流（含簽名遺忘清單記錄所有操作與產(chǎn)物）、明確的