研究提出Geodesic Unlearning提升缺失模态鲁棒性

Songyuan Sui 等研究者发表 NeurIPS 2026 论文，提出轻量参数编辑方法 Geodesic Unlearning（GU），利用 Grassmannian 子空间几何进行结构化子空间修正，以提升多模态模型的缺失模态鲁棒性。 这项研究还发现，全模态训练的模型在推理时缺失某一模态时，可能反而不如单模态模型；这一失效模式在融合模型、CLIP 式双塔模型和视觉语言模型中均存在。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。