Cet article présente un nouveau défi : le « désapprentissage d'outils », qui consiste à supprimer l'apprentissage d'outils spécifiques dans les LLM basés sur des outils. Contrairement au désapprentissage classique, cette approche nécessite de supprimer les connaissances elles-mêmes, plutôt que des échantillons individuels. Cette approche présente des défis, notamment le coût élevé de l'optimisation des LLM et la nécessité d'une mesure d'évaluation raisonnée. Pour y remédier, nous proposons ToolDelete, la première approche permettant de désapprendre efficacement des outils dans les LLM basés sur des outils. ToolDelete implémente trois propriétés clés pour un désapprentissage efficace des outils et introduit un nouveau modèle d'attaque par inférence d'appartenance (MIA) pour une évaluation efficace. Des expériences approfondies sur divers ensembles de données d'apprentissage d'outils et LLM basés sur des outils démontrent que ToolDelete désapprend efficacement des outils sélectionnés aléatoirement tout en préservant la connaissance des outils restants du LLM et ses performances sur des tâches courantes.
