Bilanz der Quelle: LLM-Unlearning hinterlaesst oft Restwissen in Zwischenrepraesentationen, das sich wiederherstellen laesst. Cascade kombiniert Pfad-Level-Routing, Repraesentationskompression 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.
