PRMU: A Corpus-Free Benchmark for Person-Centric Knowledge Unlearning in Multimodal Large Language Models

📄 arXiv: 2608.11149v1 📥 PDF

作者: Huafeng Chen, Yueming Lyu, Ziyuan Chen, Wenda Tan, Chenyang Si, Liucheng Guo, Caifeng Shan

分类: cs.CV

发布日期: 2026-08-11

🔗 代码/项目: GITHUB

💡 一句话要点

提出PRMU基准以解决多模态大语言模型中的知识遗忘问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态大语言模型 知识遗忘 隐私保护 机器学习 数据删除合规性 相似性门控 局部性感知

📋 核心要点

  1. 现有的多模态大语言模型知识遗忘方法通常依赖于原始语料库，无法适应现实场景中的删除请求。
  2. 本文提出PRMU基准，旨在评估无语料的多模态知识遗忘能力，并引入SGPE作为轻量级的遗忘基线。
  3. 实验结果显示，SGPE在目标遗忘、局部性保留和多模态实用性方面表现优越，解决了现有方法的不足。

📝 摘要（中文）

多模态大语言模型（MLLMs）在存储和回忆与个人相关的知识方面表现出色，但在可靠知识删除方面引发了越来越多的关注。现有的机器遗忘方法通常假设可以访问原始的遗忘和保留语料库，而在实际删除场景中，这些语料库往往不可用。为了解决这一局限性，本文提出了PRMU，一个用于评估在现实个人中心删除请求下的无语料多模态遗忘的基准。PRMU关注自然获取的个人相关知识，并通过多样的文本和视觉探测器评估模型是否能够在保留相关知识的同时删除目标知识。我们还引入了相似性门控投影编辑（SGPE），作为一种轻量级的无语料遗忘基线，具有知识位移、受保护的参数空间编辑和局部性感知的多模态控制。大量实验表明，现有的遗忘方法在激进的遗忘设置下常常面临不利的遗忘-局部性权衡，而SGPE在目标遗忘、局部性保留和多模态实用性之间提供了竞争性的权衡。

🔬 方法详解

问题定义：本文旨在解决多模态大语言模型在知识删除时对原始语料库的依赖问题。现有方法在实际应用中面临知识遗忘和局部性保留之间的权衡，常常导致局部性下降。

核心思路：论文提出PRMU基准，专注于评估在无语料情况下的知识遗忘能力，同时引入SGPE方法，通过知识位移和局部性感知控制来实现有效的知识删除。

技术框架：整体框架包括PRMU基准的构建和SGPE方法的设计。PRMU通过多样的文本和视觉探测器进行评估，而SGPE则通过轻量级的编辑策略实现知识的有效删除。

关键创新：最重要的创新点在于SGPE的设计，它通过相似性门控机制实现知识的位移和局部性保留，与现有方法相比，显著提高了遗忘效果和局部性控制能力。

关键设计：SGPE采用了受保护的参数空间编辑策略，结合局部性感知的多模态控制，确保在删除目标知识的同时，尽量保留相关知识的完整性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，SGPE在目标遗忘、局部性保留和多模态实用性方面表现优越，相较于现有方法，SGPE在激进遗忘设置下的局部性损失显著降低，提供了更为平衡的遗忘效果。

🎯 应用场景

该研究的潜在应用领域包括个人隐私保护、数据删除合规性以及多模态人工智能系统的安全性。随着对数据隐私的关注增加，PRMU基准和SGPE方法将为多模态大语言模型的安全使用提供重要支持，推动相关领域的研究与应用发展。

📄 摘要（原文）

Multimodal large language models (MLLMs) have demonstrated remarkable capabilities in storing and recalling rich person-related knowledge, raising increasing concerns about reliable knowledge removal. However, existing machine unlearning approaches for MLLMs typically assume access to original forget and retain corpora, which are often unavailable in realistic deletion scenarios. To address this limitation, we introduce PRMU, a benchmark for evaluating corpus-free multimodal unlearning under realistic person-centric deletion requests. PRMU focuses on naturally acquired person-related knowledge and evaluates whether models can remove target knowledge while preserving related knowledge through diverse textual and visual probes, including adversarial evaluation and fine-grained locality analysis. To facilitate research in this setting, we further introduce Similarity-Gated Projection Editing (SGPE), a lightweight corpus-free unlearning baseline with knowledge displacement, protected parameter-space editing, and locality-aware multimodal control. Extensive experiments on representative MLLMs reveal that existing unlearning methods often suffer from unfavorable forgetting-locality trade-offs, with significant locality degradation under aggressive forgetting settings, and remain vulnerable to multimodal knowledge reactivation. Meanwhile, SGPE provides a competitive trade-off between target forgetting, locality preservation, and general multimodal utility. We hope PRMU can facilitate future research toward realistic and scalable multimodal machine unlearning. Code and dataset will be released at https://github.com/2231122/PRMU.