本研究探讨了大语言模型（LLMs）在训练中可能出现的记忆现象，导致模型逐字复述训练数据，从而影响数据隐私和知识产权。提出了PEARL方法，通过输入扰动分析检测记忆现象，实验结果表明该方法有效。

本研究探讨大型语言模型在代码生成中的记忆现象，指出其在应对编程问题变体时缺乏泛化能力。通过三种演变策略，发现记忆评分与记忆水平相关，常见的缓解方法效果有限，强调需寻找更有效的解决方案。

本研究探讨大型语言模型的记忆现象及其隐私和安全风险。通过分析记忆与训练时长、数据集规模和样本相似性的关系，提出量化方法，并为降低风险提供理论和实证支持。

本文提出了一种注意力调节方法，通过优化注意力图与文本提示的对齐，解决扩散模型中对某些令牌过度关注的问题。实验结果表明，该方法在多个数据集上优于其他基准，生成的图像更忠实于文本概念。此外，研究揭示了交叉注意力与记忆现象的关系，并提出了创新方法以检测和减轻记忆现象，确保生成图像质量。

最近的研究探讨了文本到图像扩散模型的记忆现象，发现这些模型可能复制训练数据，带来版权和隐私风险。研究指出交叉注意力机制在记忆过程中对特定标记的过度关注，并提出了检测和减轻记忆现象的方法，强调生成质量与用户隐私之间的平衡。此外，研究评估了医学图像生成中的记忆化问题，发现训练数据的记忆化现象显著，需在数据共享前进行评估。