隨著大型語言模型（LLM）的發展，從業者面臨更多挑戰。如何避免 LLM 產生有害回復？如何快速刪除訓練數據中的版權保護內容？如何減少 LLM 幻覺（hallucinations，即錯誤事實）? 如何在數據政策更改后快速迭代 LLM？這些問題在人工智能法律和道德的合規要求日益成熟的大趨勢下，對于 LLM 的安全可信部署至關重要。

目前業界的主流解決方案為 LLM 對齊 (alignment)，即通過建立對比數據（正樣本和負樣本）用強化學習的方式來對 LLM 進行微調 (Finetuning)，也就是 RLHF (Reinforcement Learning from Human Feedback)[1] ，從而保證 LLM 輸出符合人類預期和價值觀。但對齊過程往往受到 (1) 數據收集；(2) 計算資源的限制。

字節跳動提出讓 LLM 進行遺忘學習的方法來進行對齊。本文研究如何在 LLM 上進行 “遺忘” 操作，即忘記有害行為或遺忘學習（Machine Unlearning），作者展示了遺忘學習在三種 LLM 對齊場景上取得的明顯效果：(1) 刪除有害輸出；(2) 移除侵權保護內容；(3) 消除大語言 LLM 幻覺。

遺忘學習有三個優勢：(1) 只需負樣本（有害樣本），負樣本比 RLHF 所需的正樣本（高質量的人工手寫輸出）的收集簡單的多（比如紅隊測試或用戶報告）；(2) 計算成本低；(3) 如果知道哪些訓練樣本導致 LLM 有害行為時，遺忘學習尤為有效。

作者證明，如果從業者只有較少的資源，因此優先考慮的是停止產生有害輸出，而不是試圖產生過于理想化的輸出，遺忘學習尤為便利。盡管只有負樣本，研究表明，和 RLHF 相比，只使用 2% 的計算時間下，遺忘學習仍可以獲得更好的對齊性能。

• 論文地址：https://arxiv.org/abs/2310.10683
• 代碼地址：https://github.com/kevinyaobytedance/llm_unlearn

使用場景

本方法可以在資源有限的情況下，最大程度發揮優勢。當沒預算請人員寫優質樣本，或計算資源不足時，應當優先停止 LLM 產生有害輸出，而不是試圖讓其產生有益輸出。

有害輸出造成的損害遠不是有益輸出能彌補的。如果一個用戶問 LLM100 個問題，他得到一個有害答案，就會失去信任，不管后來 LLM 能給多少有益答案。有害問題的預期輸出可以是空格、特殊字符、無意義字符串等，總之，一定要是無害文本。

文中展示了 LLM 遺忘學習的三個成功案例：(1) 停止生成有害回復（圖一）；這與 RLHF 情境相似，區別是本方法目標是生成無害回復，而不是有益回復。當只有負樣本時，這是能期望的最好結果。(2) LLM 使用侵權數據訓練后，在作者要求下，成功刪除數據，且考慮到成本因素不能重訓 LLM；(3) LLM 成功忘記 “幻覺”。

圖一

方法

在微調 step t，LLM 更新如下：

第一項損失為梯度上升（graident descent），目的為忘記有害樣本:

為有害提示 (prompt)，為對應的有害回復。整體損失反向提升了有害樣本的損失，即讓 LLM “遺忘” 有害樣本。

第二項損失為隨機誤配，強制 LLM 在有害提示上預測無關回復。類似于分類里的標簽平滑（label smoothing [2]）。目的是 LLM 更好的忘記有害提示上的有害輸出。同時實驗發現能增加 LLM 正常輸出的性能。

第三項損失為在正常任務上維持性能：

同 RLHF 類似，在預訓練 LLM 上計算 KL 散度能更好保持 LLM 性能。

此外，所有的梯度上升和下降都只在輸出（y）部分做，而不是像 RLHF 在提示 - 輸出對（x, y）上。

應用場景：忘卻有害內容等

本文用 PKU-SafeRLHF 數據作為遺忘數據，TruthfulQA 作為正常數據，圖二顯示了遺忘學習后 LLM 在忘卻的有害提示上輸出的有害率。文中使用的方法為 GA（梯度上升和 GA+Mismatch：梯度上升 + 隨機誤配）。遺忘學習后的有害率接近于零。

圖二

圖三顯示了未見過的有害提示（未被忘卻過）上的輸出。即使在沒有忘卻過的有害提示上，LLM 的有害率也接近于零，證明 LLM 忘記的不僅僅是具體見過的樣本，而是泛化到了包含有害這個概念的內容。

圖三

同時 LLM 在正常樣本上的性能和忘卻前保持類似。

表一展示了生成的樣本。可以看到在有害提示下，LLM 生成的樣本都是無意義字符串，即無害輸出。

表一

該方法在其他場景（如忘卻侵權內容和忘卻幻覺）的應用原文中有詳細描述。

RLHF 比較

表二顯示了該方法和 RLHF 的比較，這里 RLHF 已經用了正例，而遺忘學習的方法只有負例，所以比較一開始本方法就占劣勢。但即便如此，遺忘學習也能取得和 RLHF 相似的對齊性能。

表二

圖四顯示了計算時間的比較，本方法只需 RLHF 2% 的計算時間。

圖四

盡管只有負樣本，遺忘學習的方法仍能達到和 RLHF 相似的無害率，而且只使用 2% 的算力。因此如果目標是停止輸出有害輸出，遺忘學習比 RLHF 更高效。

結論

該研究首次探索了 LLM 上的遺忘學習。本文的結果表明，遺忘學習是一種有希望的對齊方法，特別是當從業者沒有足夠的資源時。論文展示了三種情境：遺忘學習可以成功刪除有害回復、刪除侵權內容和消除錯覺。研究表明，盡管只有負樣本，遺忘學習仍可在只用 RLHF 計算時間的 2% 的情況下，獲得和 RLHF 相近的對齊效果。