연구진은 시각-언어 모델의 프라이버시, 저작권, 편향 문제를 해결하기 위해 'HFRU'라는 강화형 언리닝 프레임워크를 제안했습니다. HFRU는 기존 방법의 한계를 극복하기 위해 시각 인코더에 작용하여 깊은 수준의 의미 제거를 목표로 합니다. 실험 결과, HFRU는 기존 방법보다 뛰어난 성능을 보이며 객체 환각을 최소화했습니다.
HFRU는 두 단계 접근 방식을 사용하며, 정렬 파괴와 GRPO 기반 최적화를 결합하여 의미적으로 유효한 대체와 환각 완화를 위한 복합 보상을 활용합니다. 객체 인식 및 얼굴 식별 작업에서 98% 이상의 망각 및 유지 성능을 달성했습니다.
HFRU의 코드와 구현 세부 정보는 GitHub 저장소에서 확인할 수 있습니다. (https://github.com/XMUDeepLIT/HFRU)