텍스트-이미지 확산 모델에서 특정 개념을 삭제하는 것은 저작권이 있는 콘텐츠나 노골적인 콘텐츠가 생성되는 것을 방지하는 데 필수적입니다. 폐쇄형(closed-form) 개념 삭제 방법은 역전파 기반 기술의 빠른 대안을 제공하지만, Stable Diffusion 1.5와 같은 작은 모델에서 Stable Diffusion XL과 같은 더 큰 모델로 확장될 때 효과가 떨어집니다. 이러한 대규모 아키텍처에서도 삭제 효과를 유지하기 위해, 우리는 SParse cross-Attention 기반 개념 삭제(SPACE)를 제안합니다. SPACE는 폐쇄형 업데이트를 통해 모델의 교차 어텐션 파라미터를 반복적으로 수정하며, 이 과정에서 희소성(sparsity)을 유도하고 목표 개념을 삭제하는 작업을 동시에 수행합니다. SPACE는 개념 매핑을 더 낮은 차원의 부분 공간에 집중시킴으로써, 밀집 기반(dense baselines) 방법보다 우수한 삭제 효율성을 달성합니다. 광범위한 실험 결과는 삭제 효과의 개선과 적대적 프롬프트(adversarial prompts)에 대한 강건성(robustness) 향상을 보여줍니다. 나아가, SPACE는 80%-90%의 교차 어텐션 희소성을 달성하여 수정된 파라미터를 저장하는 데 필요한 저장 공간을 70% 줄임으로써 메모리 효율성을 입증했습니다.