La dimenticanza selettiva è la riduzione deliberata della dipendenza di un modello dalle informazioni di cui non ha più bisogno. Invece di riaddestrare da zero, il sistema riduce l'influenza di memorie, esempi o parametri specifici, preservando al contempo i comportamenti utili. Nel machine learning, questo può essere fatto con pruning, ripesatura, limiti di replay o aggiornamenti della memoria che segnalano le informazioni più vecchie come meno importanti.
Nella sicurezza informatica, la dimenticanza selettiva è importante perché la memoria del modello può comportare rischi. Un sistema potrebbe dover rimuovere dati sensibili degli utenti, indicatori obsoleti o campioni di addestramento avvelenati, in modo che continuino a non influenzare gli output. Può anche aiutare a limitare l'impatto di artefatti di prompt injection, ridurre l'esposizione di contenuti riservati e mantenere gli assistenti a lunga durata allineati alla policy attuale. La sfida è trovare un equilibrio: dimenticare troppo poco conserva materiale di attacco, mentre dimenticare troppo può cancellare conoscenze legittime e indebolire il rilevamento o la risposta.