扩散模型的数据点遗忘（data-point unlearning）目标是让模型在收到删除请求后“忘记”某个特定训练样本。目前的主流评测方式通常只关注删除操作刚刚完成的那一刻：只要模型在此后的测试中不再复现该样本，就认定删除成功。但论文作者指出，这种“只看当下”的评估忽视了一个现实：在真实部署中，删除请求很少是一次性事件，同一个模型会在一条时间线上被反复更新，多个删除目标依次叠加。
论文将这种累积效应下暴露的问题命名为“顺序重现”（sequential reappearance）。具体而言，某个样本在删除后立刻被判定为已遗忘，但在随后针对其他目标执行的删除操作之后，又回到了被记忆的状态。关键之处在于，这种重现既不需要重新引入被删除的数据，也不依赖攻击者施加对抗性微调——它不是外部攻击的结果，而是连续遗忘过程本身的副作用。这意味着即便每一次删除在当下看起来都是成功的，整条删除序列的结果仍可能不可靠。
为了刻画这一现象，作者提出了一套目标级别的评测协议。该协议对序列中的每一个目标样本分别追踪三种结局：是否在删除当下即被遗忘、是否在整条序列结束时仍保持遗忘、以及是否在后续的删除过程中出现重现。与只报告单次删除后的遗忘率相比，这种逐目标追踪的方式能够区分“暂时遗忘”和“稳定遗忘”，从而揭示序列层面的稳定性差异。
论文还给出了关于成因的线索。作者观察到，与那些始终保持遗忘的目标相比，最终会重现的目标在删除之后表现出更尖锐的局部去噪损失几何（denoising-loss geometry）。这一发现把“目标是否会被重新记住”与模型在删除点附近的损失曲率联系起来，为诊断和缓解该问题提供了可操作的信号，也为后续设计更稳健的遗忘算法指出了方向。
需要说明的是，这是一篇发布于 arXiv 的预印本，编号 2609.25166，提交于 2026 年 9 月 21 日，作者为 Donghyun Kim 等七人，主题分类为机器学习（cs.LG）与人工智能（cs.AI）。论文尚不代表经过同行评审的最终结论，其提出的评测协议与几何观察仍有待社区复现与验证。