LLM Unlearning Benchmarks are Weak Measures of Progres核心问题与动机机器学习中的「Unlearning」遗忘/抹除旨在让模型在训练后移除特定资料的影响而无需从头重新训练全部资料。这在LLM大型语言模型中特别重要因为涉及隐私保护例如移除敏感个人资料、安全移除有害知识以及法规合规如 GDPR 的「被遗忘权」。然而LLM 规模庞大完整重新训练不切实际因此研究社群转向近似 unlearning 方法并依赖**经验基准empirical benchmarks**来评估成效。主要问题现有 LLM unlearning 基准如 TOFU、WMDP、Who’s Harry Potter?、TDEC、PKU-SafeRLHF 等普遍过于乐观且具误导性。它们通常将评估拆分成两个独立部分Forget Set测量是否成功遗忘特定知识准确率应降低。Retain Set测量是否保留其他无关知识准确率应维持。作者Pratiksha Thaker 等CMU透过广泛实验发现这些基准忽略了现实查询中forget 与 retain 资料之间的依赖关係也容易鼓励方法过拟合测试查询本身而非真正解决 unlearning 问题。动机作者调查了 2024 年 72 篇 unlearning 论文发现 82% 使用 forget/retain 结构前五大基准佔近半数评估和 80% 引用。这使得基准成为社群进展的关键驱动因素但若基准本身薄弱将误导整个领域。论文强调即使没有统一的形式化定义至少应确保基准符合高层直觉unlearning 应在真实、多样查询下有效而非仅在特定测试集上表现良好。这反映了更广泛的 LLM 评估挑战基准脆弱性但 unlearning 在隐私关键情境下风险更高——错误的「成功」可能导致实际隐私洩露。结果/成果作者对多个流行基准进行简单、非对抗性修改揭示了现有方法的失效Forget-Retain 依赖性漏洞Section IVTOFU将 forget 作者与 retain 作者的问题合併询问。许多 unlearning 方法如基于 DPO 的偏好优化、ECO在单独 retain 查询时表现良好但在组合查询时要么拒答破坏 retain 效用要么错误处理两者。Gradient Ascent 较稳定但整体分数较低。WMDP在 retain 集的多选题中将一个错误选项替换为 forget 相关关键词如 “SARS-CoV-2”。RMU 等方法 retain 准确率大幅崩溃接近随机甚至比未 unlearning 的基底模型更脆弱。过拟合测试集Section VTOFU简单关键字过滤搜寻 forget 作者姓名即可完美通过基准但这在现实中难以泛化。WMDPECO 方法的分类器过拟合提示中的 spurious feature如 “college” 关键字移除后表现崩溃。PKU-SafeRLHF有些工作直接在测试集上训练缺乏 held-out 集。改变查询类型e.g., 多选改成开放式也容易重新引出已「遗忘」资讯。这些修改暴露了基准的乐观偏差方法看似成功但面对轻微真实世界变异即失效。作者也讨论了 forget 集定义不明确的基准如 RWKU导致评估模糊。分析与洞见多角度分析基准设计根本缺陷Forget/Retain 分离假设两者完全独立但现实查询常有交叉依赖e.g., 同时问 forget 与 retain 实体。这鼓励「分类器式」解决方案而非真正移除影响。过拟合风险基准鼓励 pre/post-processing 过滤或直接针对测试查询优化而非泛化 unlearning。无 held-out 集或多样查询格式加剧此问题。与一般 LLM 评估的差异一般基准脆弱性主要影响可靠性在 unlearning 中则可能直接违反隐私或安全目标。Unlearning 还涉及额外複杂性如威胁模型不明确、forget 资料是否必须来自训练集等。边缘案例与细微差别某些方法在特定基准上稳定如 Gradient Ascent但整体效用低强健性训练如 LAT有时反而增加脆弱性。基准也未充分区分「unlearning 特定训练资料」 vs. 「一般审查/对齐」。更广影响这类似其他 LLM 基准批判e.g., 查询翻译、格式变化但在隐私领域后果更严重。社群压力快速发表、排行榜进一步放大问题。专案导向洞见在开发 unlearning 工具时勿仅依赖单一基准需自建 perturbation 测试如组合查询、关键词替换、格式变更。考虑实作 membership inference attacks 作为额外指标或聚焦 finetuning 资料的 exact unlearning 以建立可靠 baseline。专案可扩展建立更 robust 的 benchmark 套件包含 held-out 集、多格式查询、依赖性测试案例。结论与建议主要立场现有 LLM unlearning 基准在最佳情况下是有限的进展衡量在最坏情况下具误导性。社群应谨慎解读基准结果而非视为可靠证据。推荐Section VI基准设计避免过度依赖测试集提供 held-out、多格式查询明确指定 forget 资料纳入 forget-retain 依赖测试。区分问题将严格 unlearning移除训练资料影响与一般审查/对齐分开。威胁模型明确定义查询分布、权重存取、API 限制等以利公平比较。方法开发优先高效 exact unlearning、provable 方法使用 membership inference 等更强指标。整体聚焦实用情境定义与泛化而非窄基准分数。此论文为 unlearning 领域敲响警钟呼吁从基准驱动转向更严谨、实务导向的研究。它不仅指出问题还提供可操作建议对未来 LLM 隐私、安全与可信 AI 专案极具参考价值。文章连结CMU ML Bloghttps://blog.ml.cmu.edu/2025/04/18/llm-unlearning-benchmarks-are-weak-measures-of-progress/arXiv 论文Position Paperhttps://arxiv.org/abs/2410.02879或 PDFhttps://arxiv.org/pdf/2410.02879