本研究探讨多模态遗忘（MMU），提出新基准CLEAR评估MMU方法。测试了10种机器遗忘方法，发现简单的$ ext{l}_1$正则化显著减轻灾难性遗忘，提升模型性能。

机器遗忘（MU）旨在从训练模型中删除特定数据以保护隐私。本文提出了多模态遗忘方法MMUL，强调模态解耦和知识保留。研究探讨了在大型语言模型（LLMs）中的遗忘应用，提出了通过添加噪声实现遗忘的one-shot MU方法。MU-Mis算法通过最小化输入灵敏度来提高遗忘效果。整体上，研究强调了机器遗忘在保护用户数据隐私中的重要性及未来发展方向。

该文综述机器遗忘技术，涵盖数据删除、扰动与模型更新，应用于大语言模型、图像生成和分类。研究提出对抗评估、可控遗忘、多模态遗忘及SalUn等方法，平衡隐私、准确性与效率，并探讨版权保护和降低社会技术危害等方向。