论文指出量化会逆转机器遗忘效果，并提出MANSU方法实现稳定遗忘
原帖
**《难以遗忘的量化：通过电路归因实现量化后永久机器遗忘》**
_Forgetting That Sticks: Quantization-Permanent Unlearning via Circuit Attribution_
> 本文指出，在评估机器遗忘时，若不考虑模型量化，现有方法的遗忘效果会被大幅逆转。研究发现，这是因为模型参数的更新量远小于量化间隔，导致遗忘信息在压缩后丢失。作者提出新方法MANSU，通过电路归因定位最小遗忘子图，并设计参数更新策略，确保遗忘效果在4-bit量化后依然稳定。同时，引入电路归因散度（CAD）作为新指标，用于区分结构性擦除与行为性抑制。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-18 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.15138)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文发布于2026年5月18日，来源为HuggingFace社区热门论文，讨论了模型量化对机器遗忘效果的影响。文章指出，现有遗忘方法因忽略量化而效果被逆转，并介绍了MANSU方法与电路归因散度(CAD)指标。
答案说明
根据这篇来自HuggingFace Daily Papers的论文，机器遗忘的效果在模型被量化后可能会被大幅逆转。这是因为参数更新量小于量化间隔，导致信息在压缩后丢失。作者提出了MANSU方法，通过电路归因定位最小遗忘子图并设计特定更新策略，以确保遗忘效果在4-bit量化后依然稳定。
这篇帖子回答的问题
- 为什么模型量化会导致机器遗忘效果被逆转？
- 什么是MANSU方法，它如何确保量化后的遗忘效果稳定？
核心观点
- 在评估机器遗忘时，若不考虑模型量化，现有方法的遗忘效果会被大幅逆转，因为参数更新量小于量化间隔。
- MANSU方法通过电路归因定位最小遗忘子图并设计特定参数更新策略，可确保遗忘效果在4-bit量化后依然稳定。
FAQ
- Q: 为什么量化会逆转机器遗忘的效果？
- A: 根据帖子所述，模型参数的更新量（用于遗忘）远小于量化间隔，导致这些更新在模型压缩（量化）过程中丢失，从而使得遗忘效果被逆转。
- Q: MANSU方法如何工作？
- A: 帖子中描述，MANSU方法通过电路归因来定位最小遗忘子图，并设计了一种参数更新策略，以确保机器遗忘的效果在模型进行4-bit量化后依然能够保持稳定。
关键实体
- MANSU
- 电路归因散度 (CAD)