Este artículo presenta un desafío novedoso: el "desaprendizaje de herramientas", que elimina el aprendizaje sobre herramientas específicas de los LLM basados en herramientas. A diferencia del desaprendizaje convencional, este enfoque requiere eliminar el conocimiento en sí, en lugar de muestras individuales. Este enfoque presenta desafíos, como el alto costo de la optimización de LLM y la necesidad de una métrica de evaluación basada en principios. Para abordar estos desafíos, proponemos ToolDelete, el primer enfoque para desaprender herramientas eficazmente en LLM basados en herramientas. ToolDelete implementa tres propiedades clave para un desaprendizaje eficaz de herramientas e introduce un novedoso modelo de Ataque de Inferencia de Membresía (MIA) para una evaluación eficaz. Experimentos exhaustivos con diversos conjuntos de datos de entrenamiento de herramientas y LLM basados en herramientas demuestran que ToolDelete desaprende eficazmente herramientas seleccionadas aleatoriamente, a la vez que preserva el conocimiento del LLM sobre las herramientas restantes y su rendimiento en tareas comunes.
