当大语言模型需要删除敏感信息时，研究者发现一个反直觉的现象：与目标信息语法结构相似的无关内容，反而比同类主题的数据更容易被“误伤”。这项研究为AI安全提供了新的优化方向。
大型语言模型（LLM）像海绵一样吸收海量训练数据，但某些信息可能涉及隐私或版权问题。传统解决方案是让模型“遗忘”（unlearning）特定内容——不是重新训练模型，而是通过技术手段选择性删除目标数据。但研究发现，这种操作会产生连锁反应：在删除某个信息时，模型对其他无关内容的处理能力也可能意外下降。
以往研究主要关注如何彻底删除目标信息，但韩国中央大学的研究团队将目光转向了“保留集”（retain set）——那些本应保持不变的训练数据。通过实体删除实验（例如要求模型忘记“J.K.罗琳的生日”），他们发现不同类别的保留数据受到的影响差异显著：
同领域数据（如其他作家信息）
实体关联数据（如《哈利波特》演员）
语法相似数据（所有“X的生日”句式问题）
结果显示，最后一类数据性能下降最严重，错误率最高可达其他类型的2倍。
为什么看似无关的句式会受影响？研究者提出“语法相似邻居集”（Syntactically Similar Neighbor Set）概念：当模型学习删除“泰勒·斯威夫特的生日”这类问答时，所有“When was X born?”句式的问题都会受到牵连。这类似于人类学习外语时，纠正某个语法错误可能导致同类句式的暂时混淆。
实验证明，语法相似性比内容关联性影响更大。例如模型忘记作家信息时，对其作品相关问题的回答保持稳定，但对所有名人出生日期的回答准确率都会波动。
研究团队尝试用语法相似集作为“缓冲带”：在删除训练时，特意保护这些句式样本。这种方法不仅修复了语法相似查询的性能，还意外提升了其他保留数据的表现。这提示我们：
语法结构可能是模型记忆组织的关键线索
当前遗忘技术可能过度依赖语义关联，忽视了形式特征
针对性保护语法模式能实现更精准的遗忘
这项研究为GDPR等数据合规要求提供了技术参考。当用户行使“被遗忘权”时，开发者需要评估的不仅是直接删除的内容，更要预防性检测：
高频语法模板
固定应答格式
结构化的查询模式
未来，结合语法分析的遗忘算法可能成为大语言模型安全升级的标准配置。