في عالم الذكاء الاصطناعي الحديث، تتزايد الحاجة إلى أدوات قادرة على التعامل مع القضايا المتعلقة بالخصوصية وحقوق الملكية الفكرية، خاصة في نماذج التحويل النصي إلى صورة. هنا تأتي تقنية TILDE (TILt-based Distributional Erasure)، التي تُعتبر ثورة في مجال إزالة المفاهيم غير المرغوب فيها.

تعد عملية إزالة المفاهيم (Concept Unlearning) خطوة حيوية بالنسبة لنماذج تكنولوجيا الذكاء الاصطناعي التي تُستخدم في إنشاء الصور بناءً على أوامر نصية. إذ أصبحت هناك مخاوف متزايدة بشأن الخصوصية، وتنازع حقوق الطبع والنشر، وغيرها من القوانين المتعلقة بالعلامات التجارية ومخاطر الأمان. ولكي تعمل الأنظمة بشكل آمن وفعال، يجب أن تكون قادرة على حذف المفاهيم غير المرغوب فيها بعد التدريب.

تظهر الأساليب الحالية فاعلية في إزالة المفاهيم المستهدفة، ولكنها غالبًا ما تتجاهل جانبًا أساسيًا؛ ألا وهو الحفاظ على جودة التنوع والتغطية الدلالية للإنتاجات الغير ضارة. يُعتبر النموذج المثالي هو النموذج المصمم من الألف إلى الياء دون استخدام البيانات غير المرغوب فيها. ومع ذلك، فإن الأهداف الشائعة لإزالة المفاهيم لا تفصل بوضوح أي توزيع بعد نسيان المفاهيم يجب أن يقترب من هذا المرجع، مما يجعل الحفاظ على الجودة نتيجة ضمنية لقاعدة التحديث.

تقنية TILDE تقوم بصياغة إزالة المفاهيم كمسألة توافق توزيعي. الهدف المطلوب هو توزيع الشرط الأدنى انحرافًا عن النموذج المدرب مسبقًا تحت قيود النسيان. هذه التقنية تمكّن من كبح الصور التي تعبر عن المفاهيم، مع الحفاظ في الوقت نفسه على الكتلة النسبية غير الضارة لكل موجه.

تتميز TILDE أنها تعتمد على التدريب من خلال شبكة GFlowNet، حيث تتعلم تصحيح الدرجات الواقع نتيجة الطاقة المنسية بالنسبة للنموذج المدرب مسبقًا. وبفضل تقنيتها الجديدة، تُحقق TILDE تناسيًا قويًا بينما تحسن الحفاظ على الجودة والموثوقية التوزيعية مقارنةً بأساليب سابقة.