Faithful Dual-constrained Erasure for Robust LLM Safety Alignment

arXiv cs.CR · 1 oct, 06:00

Un artículo de investigación sobre machine unlearning en LLMs identifica que los modelos no entrenados siguen siendo vulnerables a ataques de reentrenamiento, donde comportamientos maliciosos suprimidos resurgen tras ajuste fino benigno. Los autores proponen FDCU, un marco de proyección en subespacio de doble restricción que usa máscaras duales a nivel de elemento y el Principio de Intervención Funcional Mínima para lograr borrado auténtico de conocimiento malicioso y mayor robustez frente a estos ataques.