Each language version is independently generated for its own context, not a direct translation.

这篇论文提出了一种名为 UOT-Unlearn 的新方法，专门用来解决一个非常棘手的问题：如何教“一步到位”的 AI 绘画模型“忘掉”某些它不该画的东西（比如版权图片、成人内容），同时又不让它变笨或画不出其他东西。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“给一个只会画图的魔术师做记忆手术”**。

1. 背景：魔术师变快了，但也变危险了

以前的 AI 画画（扩散模型）像是一个慢工出细活的画家。它需要画很多遍（几百步），每一步都稍微修改一下，最后才完成一幅画。虽然慢，但如果想让它“忘掉”画猫，以前的方法可以像橡皮擦一样，在画画的每一步里把猫的痕迹擦掉。

现在的 AI（一步生成模型，如 Flow Map）像是一个神速的魔术师。它不需要一步步画，只要看一眼（一次前向传播），就能直接从“一团乱麻”变出一幅完美的画。

问题出在哪？ 以前的“橡皮擦”方法（针对多步画法的）对这位神速魔术师完全无效，因为魔术师没有“中间步骤”让你去擦。而且，如果强行让它忘掉，它可能会彻底崩溃，画出来的东西变成一堆乱码，或者把“忘掉猫”这件事连带着把“画狗”的能力也弄丢了。

2. 核心方案：不是“擦除”，而是“重新分配”

这篇论文提出的 UOT-Unlearn 方法，不像是在用橡皮擦，更像是在重新分配仓库里的货物。

核心比喻：不平衡的运输（UOT）

想象你的 AI 模型是一个巨大的物流仓库，里面装着各种货物的“概率”（比如 30% 的概率画猫，30% 画狗，30% 画车，10% 画飞机）。

目标：我们要把“猫”这个货物彻底清空（忘掉）。
旧方法的失败：以前的方法可能直接把“猫”的货物扔出仓库，导致仓库里空了一大块，剩下的货物分布变得很奇怪，或者为了填补空缺，硬塞进一些垃圾（画出的图变得像噪点）。
UOT 的新思路：
这篇论文引入了一个**“智能物流调度系统”（不平衡最优运输，UOT）**。
1. 设定禁区：系统给“猫”这个区域贴上**“高额罚款”**的标签。如果货物（概率）还留在这里，就要付巨款。
2. 灵活搬运：为了省钱（最小化成本），系统会自动把“猫”的货物搬运到“狗”、“车”或“飞机”的货架上。
3. 关键创新（不平衡）：传统的物流要求“搬走多少，必须补回多少”，但这太死板。UOT 允许**“稍微改变总量”。它允许把“猫”的概率平滑地、自然地**分摊到剩下的“狗”和“车”上，而不是强行塞进去。

3. 具体怎么操作？（三步走）

找到“猫”的锚点：
首先，我们不需要把所有“猫”的图片都存下来（这很麻烦且涉及隐私）。我们只需要几张“猫”的代表图，算出一个**“猫的平均特征中心”**（就像给猫画一个平均脸）。
设置“罚款”机制：
当 AI 生成一张图时，如果这张图长得像那个“平均脸”（进入了“猫”的禁区），系统就给它重罚（增加成本）。
引导“改道”：
为了避开罚款，AI 会本能地调整自己的生成策略，把原本用来画“猫”的概率，顺滑地转移到画“狗”或“车”上。
- 神奇之处：因为用了“不平衡运输”的数学原理，这种转移是有弹性的。它不会把“狗”画得面目全非，而是让“狗”稍微多一点点概率，整体看起来依然自然、高质量。

4. 为什么这个方法很厉害？

不需要真实数据：这是最大的亮点。以前的方法在“遗忘”时，往往需要把“保留下来的数据”（比如狗和车的图）重新喂给 AI 看，以防它变笨。但 UOT-Unlearn 完全不需要这些真实的保留数据。它只靠 AI 自己生成的假图（合成数据）和那个“猫的平均脸”就能完成手术。
- 比喻：就像医生给病人做手术，不需要把病人健康的器官切下来化验，直接通过观察病人的血液（生成的假图）就能精准切除病灶。
只忘该忘的：实验证明，它能把“猫”忘得干干净净（PUL 指标很高），同时画出来的“狗”和“车”依然栩栩如生（u-FID 指标很低，说明画质没变差）。
通用性强：不管这个“神速魔术师”是用什么架构（CTM 或 MeanFlow）做的，这个方法都能直接插进去用，不需要大改模型结构。

5. 总结

这就好比给一个只会画一次就成品的超级 AI 做了一次精准的“记忆移植”手术。

以前的方法是想**“硬删”，结果把 AI 脑子搞坏了，画出来的东西全是乱码。
这篇论文的方法是“软引导”**：告诉 AI“画猫太贵了，别画了，把画猫的那份力气和灵感，自然地分给画狗和画车吧”。结果就是，猫彻底消失了，而狗和车画得更好了，整个系统依然运行流畅。

一句话总结：
这是一项让 AI 绘画模型在不依赖真实数据、不破坏画质的前提下，能够精准、平滑地“遗忘”特定内容的新技术，就像给高速运转的 AI 装上了一个智能的“记忆过滤器”。

Each language version is independently generated for its own context, not a direct translation.

论文技术总结：基于非平衡最优传输的单步生成模型遗忘学习

1. 研究背景与问题定义 (Problem)

背景：
近年来，基于流映射（Flow Map）和一致性模型（Consistency Models）的**单步生成模型（One-Step Generative Models）**取得了显著进展。这些模型能够在单次前向传播中将噪声直接映射到数据分布，极大地提高了图像生成的效率（推理速度），同时保持了接近扩散模型（Diffusion Models）的生成质量。

核心问题：
随着生成能力的提升，模型生成有害内容（如 NSFW 图像、版权材料）的风险也随之增加。机器遗忘（Machine Unlearning）作为一种在不重新训练整个模型的前提下移除特定概念的技术，对于保障生成模型的安全性至关重要。
然而，现有的遗忘方法主要针对多步迭代的扩散模型设计，依赖于中间去噪步骤的梯度调整或噪声预测修改。这些方法无法直接应用于单步生成模型，因为后者缺乏中间迭代步骤，无法进行逐步的干预。目前，针对单步生成模型的遗忘学习框架尚属空白。

挑战：
如何在单步生成架构中，仅通过一次前向传播，有效地移除特定类别的生成能力，同时保持剩余类别的生成质量和分布完整性，且不依赖真实的保留数据集（Retain Data）。

2. 方法论 (Methodology)

作者提出了 UOT-Unlearn，这是首个专为单步生成模型设计的即插即用（Plug-and-Play）类遗忘框架。其核心思想是将遗忘过程建模为**非平衡最优传输（Unbalanced Optimal Transport, UOT）**问题。

2.1 核心原理：非平衡最优传输 (UOT)

传统 OT 的局限： 标准最优传输（OT）要求源分布和目标分布的质量必须严格守恒（边际约束严格匹配）。这在需要“移除”部分概率质量（即遗忘）的场景下过于僵化。
UOT 的优势： UOT 通过引入 $f$ $f$ -散度（f-divergence）惩罚项，放宽了严格的边际约束。它允许在传输成本（Transport Cost）和分布偏差（Distribution Deviation）之间进行权衡。
- 遗忘机制： 通过设计一个对“遗忘类”区域施加高惩罚的传输成本函数，迫使传输计划避免在该区域分配概率质量。
- 保持机制： 利用 $f$ -散度惩罚项（如 KL 散度），确保被移除的概率质量能够平滑地重新分布到剩余的合法数据分布中，而不是坍缩成噪声或低质量样本。

2.2 具体实现步骤

问题形式化：
- 源分布 $\mu$ ：预训练模型的生成分布 $p_{pre}$ 。
- 目标分布 $\nu$ ：原始数据分布 $p_{data}$ （但在优化中近似为 $p_{pre}$ 以实现无真实数据优化）。
- 目标：学习一个传输映射 $\Delta T_\theta$ （即微调后的生成器 $G_\theta$ ），将 $p_{pre}$ 映射到遗忘后的分布。
遗忘成本函数设计 ( $c_{ul}$ )：
- 遗忘锚点 (Forget Anchor)： 使用预训练特征提取器计算遗忘类的语义中心 $\mu_f$ 。
- 遗忘区域 ( $R_f$ )： 在特征空间中，定义与 $\mu_f$ 距离小于阈值 $m$ 的区域为遗忘区域。
- 成本函数：
  - 主动驱逐 (Active Expulsion)： 如果生成样本落在 $R_f$ 内，施加基于 Hinge Loss 的惩罚，强制将其推离遗忘锚点。
  - 保持保真 (Fidelity & Transport)： 如果样本在 $R_f$ 外，施加 $L_2$ 距离惩罚，限制微调后的输出 $G_\theta(x_0)$ 偏离预训练输出 $G_{pre}(x_0)$ ，从而保留剩余类别的结构。
优化目标：
- 基于 UOT 的半对偶形式（Semi-dual form），构建包含对偶势函数 $v_\phi$ 和生成器 $G_\theta$ 的联合优化目标。
- 无真实数据优化： 该方法仅需预训练模型生成的合成样本和一个预先计算的遗忘锚点，完全不需要访问真实的保留数据集（Real Retain Data）。
算法流程：
- 采样噪声批次。
- 计算遗忘成本。
- 交替更新对偶势函数 $v_\phi$ 和生成器参数 $\theta$ ，最小化 UOT 目标函数。

3. 主要贡献 (Key Contributions)

首个单步遗忘框架： 提出了 UOT-Unlearn，填补了单步生成模型遗忘学习领域的空白，解决了传统多步扩散遗忘方法无法适配单步架构的问题。
基于 UOT 的新颖目标函数： 将遗忘问题转化为非平衡最优传输问题。通过 $f$ -散度惩罚项，实现了遗忘类概率质量向剩余类别的平滑重新分布，避免了分布坍缩或质量下降。
完全无真实数据依赖： 在优化过程中仅需合成样本和遗忘类的特征中心，无需访问真实的保留数据，显著降低了隐私风险和计算成本。
即插即用特性： 该方法仅干预最终的映射阶段 $G_\theta(x_0)$ ，不改变模型架构，可无缝集成到任何预训练的单步生成模型（如 CTM, MeanFlow）中。

4. 实验结果 (Results)

实验在 CIFAR-10 和 ImageNet-256 数据集上，使用 CTM 和 MeanFlow 等代表性单步架构进行了验证。

评估指标：
- PUL (Percentage of Unlearning)： 衡量遗忘成功率（遗忘类生成频率的降低程度）。
- u-FID (Unlearned FID)： 衡量保留类别的生成质量（FID 越低越好）。
主要发现：
- 优越的遗忘效果： 在 CIFAR-10 上，UOT-Unlearn 在所有测试类别中均取得了最高的 PUL 分数（例如在 CTM 上平均 PUL 达 85.51%，显著优于 GA、SA、SalUn 等基线）。
- 卓越的保留质量： 相比基线方法（如梯度上升 GA 导致 u-FID 急剧恶化），UOT-Unlearn 在实现高遗忘率的同时，保持了极低的 u-FID（例如 CTM 上平均 u-FID 仅为 6.96，接近原始预训练模型的 4.64）。
- 高维图像表现： 在 ImageNet-256 的“金鱼”类遗忘任务中，UOT-Unlearn 实现了 85.08% 的 PUL，同时将 u-FID 控制在 20.16，而基线 GA 方法虽然也能遗忘，但导致 u-FID 飙升至 79.89（结构严重损坏）。
- 可视化分析： 2D 合成数据实验显示，UOT-Unlearn 能将遗忘模式的概率质量平滑地重新分配给保留模式，而基线方法（如 VDU）则导致概率质量扩散到无效区域。

5. 意义与影响 (Significance)

安全性保障： 为高效、快速的单步生成模型提供了关键的安全机制，使其能够在不牺牲推理速度的前提下，有效移除有害或受版权保护的概念。
理论创新： 将机器遗忘从传统的参数空间调整（如梯度上升）或迭代去噪过程，重新定义为概率传输问题。这种视角的转换解决了单步模型缺乏中间步骤的结构性难题。
实用价值： “无真实数据”的特性使得该方法在隐私敏感场景（如医疗、金融数据）或数据难以获取的场景下具有极高的应用潜力。
未来方向： 该工作为理解生成模型中的分布操纵提供了新的理论框架，未来可进一步探索在大规模分层潜在空间中的结构化概率重分布。

总结： UOT-Unlearn 通过引入非平衡最优传输理论，成功解决了单步生成模型遗忘学习的难题，在高效移除目标概念的同时，完美保持了生成模型的分布完整性和图像质量，是该领域的一项突破性进展。

Unlearning for One-Step Generative Models via Unbalanced Optimal Transport