擴散模型的資料點遺忘（data-point unlearning）目標是讓模型在收到刪除請求後“忘記”某個特定訓練樣本。目前的主流評測方式通常只關注刪除操作剛剛完成的那一刻：只要模型在此後的測試中不再復現該樣本，就認定刪除成功。但論文作者指出，這種“只看當下”的評估忽視了一個現實：在真實部署中，刪除請求很少是一次性事件，同一個模型會在一條時間線上被反覆更新，多個刪除目標依次疊加。
論文將這種累積效應下暴露的問題命名為“順序重現”（sequential reappearance）。具體而言，某個樣本在刪除後立刻被判定為已遺忘，但在隨後針對其他目標執行的刪除操作之後，又回到了被記憶的狀態。關鍵之處在於，這種重現既不需要重新引入被刪除的資料，也不依賴攻擊者施加對抗性微調——它不是外部攻擊的結果，而是連續遺忘過程本身的副作用。這意味著即便每一次刪除在當下看起來都是成功的，整條刪除序列的結果仍可能不可靠。
為了刻畫這一現象，作者提出了一套目標級別的評測協議。該協議對序列中的每一個目標樣本分別追蹤三種結局：是否在刪除當下即被遺忘、是否在整條序列結束時仍保持遺忘、以及是否在後續的刪除過程中出現重現。與只報告單次刪除後的遺忘率相比，這種逐目標追蹤的方式能夠區分“暫時遺忘”和“穩定遺忘”，從而揭示序列層面的穩定性差異。
論文還給出了關於成因的線索。作者觀察到，與那些始終保持遺忘的目標相比，最終會重現的目標在刪除之後表現出更尖銳的區域性去噪損失幾何（denoising-loss geometry）。這一發現把“目標是否會被重新記住”與模型在刪除點附近的損失曲率聯絡起來，為診斷和緩解該問題提供了可操作的訊號，也為後續設計更穩健的遺忘演算法指出了方向。
需要說明的是，這是一篇釋出於 arXiv 的預印本，編號 2609.25166，提交於 2026 年 9 月 21 日，作者為 Donghyun Kim 等七人，主題分類為機器學習（cs.LG）與人工智慧（cs.AI）。論文尚不代表經過同行評審的最終結論，其提出的評測協議與幾何觀察仍有待社群復現與驗證。