**IDU:通过逆向蒸馏实现多步匹配模型的数据遗忘与一步生成**

_Data Unlearning via Inverse Distillation_

> HuggingFace 社区热门论文提出 IDU 框架,旨在解决多步匹配模型(如流模型和扩散模型)推理成本高及可能复现训练数据中不想要成分的问题。IDU 将蒸馏过程形式化为数据分布上的极小极大目标,通过混合遗忘集与生成分布,在无需访问保留训练样本或额外特征提取器的情况下,同时实现将教师模型蒸馏为高效的一步学生生成器,并抑制指定训练子集的生成。实验表明,该方法在 MNIST 和 CIFAR-10 上显著降低了遗忘类别的生成频率,同时保持了保留类别的生成质量,是首个针对无条件流匹配和基于分数的模型同时实现遗忘与蒸馏的统一框架。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-06 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.36099)