在数据贡献者请求移除时，模型训练者面临着实际的空白：去学习算法需要一个遗忘集，但没有工具可以定位哪些训练记录属于特定作者。现有的来源系统仅在文件或数据集层面操作，导致灾难性的过度删除。我们提出了 ob，一个记录和标记级数据来源系统，它通过数据处理管道传播作者身份，并通过确定性查询将撤销请求解析为精确的遗忘集。
对 219,555 个维基百科页面的评估表明，记录级来源消除了数据集级的过度删除（从 101 倍减少到 1.3 倍），而集成在 HuggingFace 上增加了 1.3-4.0% 的吞吐量开销，在 Datatrove 上增加了 2.1-19.0%。在一个 17 亿参数的模型上，基于来源的遗忘集比随机基线提高了 42% 的去学习效果。
博主点评： OriginBlame 提供了一种创新的方法来解决数据删除的挑战，显著降低了过度删除的风险，同时保持了系统的高效性。这种方法不仅提高了用户隐私保护的能力，还为未来的 AI 数据管理奠定了基础，值得关注和研究。