通过逆向蒸馏实现数据遗忘（IDU）

研究者提出数据遗忘框架 IDU（Inverse Distillation for Unlearning），从在完整数据集上训练的扩散或流模型教师出发，训练一步生成的学生模型，在抑制指定数据子集的同时保持其余数据的生成质量。该方法只需遗忘数据的样本，训练中无需保留图像或额外分类器。在 MNIST 和 CIFAR-10 上，以流匹配与基于分数的扩散模型为教师，IDU 对目标类别实现强抑制，并在保留数据上维持有竞争力的生成质量。