본 연구에서는 MLLM의 개인화된 부분 삭제를 위한 실제 환경 벤치마크인 PPU-Bench를 소개합니다. PPU-Bench는 500명의 공인에 대한 24,000개의 멀티모달 및 단일 모달 샘플로 구성되어 있으며, 완전 삭제, 선택적 삭제, 개인화된 삭제의 세 가지 난이도 설정이 포함되어 있습니다.
실험 결과, 완전 삭제는 시각적 정보 억제 문제를 야기하며, 선택적 및 개인화된 삭제는 사실 기억과 보존 간의 균형을 맞추는 어려움을 보여줍니다.
연구팀은 이러한 문제점을 해결하기 위해 사실 기억 경계를 명시적으로 모델링하는 경계 인식 최적화(BAO) 기법을 제안했으며, 실험 결과 기존 방법보다 성능이 향상되었습니다.