知识卡片：TILDE：基于倾斜分布的消去法用于概念遗忘

一句话结论
TILDE 将文本到图像扩散模型中的概念遗忘形式化为一个分布对齐问题，通过能量倾斜的目标分布（在遗忘约束下最小偏离预训练模型的分布）和残差 ∇-GFlowNet 训练，在高效移除目标概念的同时显著提升了良性生成的保留质量与分布保真度。

事件概述或研究问题
文本到图像扩散模型在部署时面临隐私、版权、商标和安全等监管要求，需要在训练后抑制（遗忘）特定概念。现有方法虽能有效移除目标概念，但往往忽视遗忘后模型对良性生成的质量、多样性和语义覆盖的保持。理想的黄金标准是从头训练一个不含目标数据的保留模型（retain-only model），但常见遗忘目标并未指定遗忘后分布应如何逼近这个参考分布，导致保留效果仅作为更新规则的隐式结果。论文提出 TILDE（TILt-based Distributional Erasure），将概念遗忘定义为在遗忘约束下寻找与预训练模型条件分布的最小偏差目标分布，并通过残差 ∇-GFlowNet 训练实现这一原则。

方法/产品要点

• 核心原则：概念遗忘被建模为分布对齐问题，目标是找到一个“能量倾斜”的、无锚点的条件分布，该分布在抑制概念表达图像的同时保留每个提示下良性样本的相对质量。
• 实现方式：采用残差 ∇-GFlowNet 训练，学习由遗忘能量相对于预训练扩散模型引起的分数校正（score correction）。
• 技术特点：无需外部锚点或参考数据集，直接指定后遗忘分布的优化目标。
• 实验对象：物体、艺术风格、角色等多种概念类型。

主要结果或产业意义
在多种概念遗忘任务上，TILDE 实现了强遗忘效果，同时在良性生成的质量、多样性和分布保真度上显著优于先前基线方法。

为什么重要
概念遗忘是安全部署扩散模型的关键能力。TILDE 首次将遗忘后的分布保留作为一个明确的优化目标，而非隐式结果，使得遗忘模型在移除敏感概念的同时能够最大化保持对正常用户的生成质量与多样性，更接近“只保留”模型的表现。

局限与不确定性
待核实：论文摘要中未提及计算开销、对模型架构的依赖性、遗忘效果的长期稳定性，或是在更复杂组合概念上的表现。具体局限需查阅全文。

可用于图书/PPT/简报的角度

• 技术前沿：扩散模型安全与可解释性中的“概念遗忘”新范式。
• 对比分析：传统模型编辑 vs. 分布对齐遗忘方法的优势。
• 产业应用：合规部署 AI 图像生成系统（版权、隐私、有害内容过滤）的解决方案。

原始材料

• 论文标题：TILDE: TILt-based Distributional Erasure for Concept Unlearning
• arXiv ID：2607.06432v1
• 作者：Naveen George, Naoki Murata, Yuhta Takida, Konda Reddy Mopuri, Yuki Mitsufuji
• 发布日期：2026-07-07
• 类别：cs.LG, cs.AI, cs.CV
• URL：https://arxiv.org/abs/2607.06432v1
• 英文关键词：Concept Unlearning, Text-to-Image Diffusion Models, Distributional Erasure, Residual ∇-GFlowNet, Energy Tilted Target