大体そんな認識で良いかと
例えばだけどこの画像を白背景、キャラ、鎌の3要素で括るとして
https://files.catbox.moe/nt0c57.jpg
「Koju ,white background」の2つのタグで学習させるとキャラと鎌の2要素をKojuに紐付けするから
Kojuで出力すると鎌を持ったキャラが出力される
「Koju ,white background, holding scythe」の3つのタグで学習させるとキャラの要素だけをKojuに紐付けするから
Kojuで出力すると鎌を持っていないキャラが出力される
「不要なタグを残す」っていうのはここでいうと白背景と鎌は覚えさせたくないから
white backgroundとholding scytheのタグは残しましょうって意味