Bilanz der Quelle: LLM-Unlearning hinterlässt oft Restwissen in Zwischenrepräsentationen, das sich wiederherstellen lässt. Cascade kombiniert Pfad-Level-Routing, Repräsentationskompression und Dekoding-Intervention, um die interne Identifizierbarkeit des Zielwissens zu minimieren. Experimente auf TOFU, MUSE-News und WMDP zeigen reduzierte Wiederherstellbarkeit bei stabilem Modellnutzen. Angenommen bei EMNLP 2026.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
