論文の概要: Targeted Therapy in Data Removal: Object Unlearning Based on Scene Graphs
- arxiv url: http://arxiv.org/abs/2412.00067v1
- Date: Mon, 25 Nov 2024 23:51:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-08 08:17:57.567460
- Title: Targeted Therapy in Data Removal: Object Unlearning Based on Scene Graphs
- Title（参考訳）: データ除去における標的治療:シーングラフに基づく物体の学習
- Authors: Chenhan Zhang, Benjamin Zi Hao Zhao, Hassan Asghar, Dali Kaafar,
- Abstract要約: 個人識別可能な情報(PII)を機械学習・アズ・ア・サービス(ML)プロバイダに不注意にアップロードすることも可能だ。
ユーザーがこれらのサービスでPIIを望まない場合、COPPAなどの規制はこれらのユーザーを忘れる権利を義務付ける。
本研究では,シーングラフに基づくオブジェクト学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.522726689890244
- License:
- Abstract: Users may inadvertently upload personally identifiable information (PII) to Machine Learning as a Service (MLaaS) providers. When users no longer want their PII on these services, regulations like GDPR and COPPA mandate a right to forget for these users. As such, these services seek efficient methods to remove the influence of specific data points. Thus the introduction of machine unlearning. Traditionally, unlearning is performed with the removal of entire data samples (sample unlearning) or whole features across the dataset (feature unlearning). However, these approaches are not equipped to handle the more granular and challenging task of unlearning specific objects within a sample. To address this gap, we propose a scene graph-based object unlearning framework. This framework utilizes scene graphs, rich in semantic representation, transparently translate unlearning requests into actionable steps. The result, is the preservation of the overall semantic integrity of the generated image, bar the unlearned object. Further, we manage high computational overheads with influence functions to approximate the unlearning process. For validation, we evaluate the unlearned object's fidelity in outputs under the tasks of image reconstruction and image synthesis. Our proposed framework demonstrates improved object unlearning outcomes, with the preservation of unrequested samples in contrast to sample and feature learning methods. This work addresses critical privacy issues by increasing the granularity of targeted machine unlearning through forgetting specific object-level details without sacrificing the utility of the whole data sample or dataset feature.
- Abstract（参考訳）: マシンラーニング・アズ・ア・サービス(MLaaS)プロバイダに個人識別可能な情報(PII)を不注意にアップロードすることも可能だ。
ユーザがこれらのサービスでPIIを望まない場合、GDPRやCOPPAなどの規制は、これらのユーザを忘れる権利を義務付ける。
そのため、これらのサービスは特定のデータポイントの影響を取り除く効率的な方法を模索する。
したがって、機械学習の導入は不可能である。
従来、アンラーニングはデータサンプル全体(サンプルアンラーニング)やデータセット全体の機能全体(機能アンラーニング)を削除して行われる。
しかし、これらのアプローチは、サンプル内で特定のオブジェクトを学習しないという、より粒度が高く困難なタスクを扱うには向いていない。
このギャップに対処するために,シーングラフに基づくオブジェクトアンラーニングフレームワークを提案する。
このフレームワークは、セマンティック表現に富んだシーングラフを利用して、未学習の要求を透過的に実行可能なステップに変換する。
その結果、生成した画像の全体的な意味的整合性を保存し、未学習のオブジェクトを封じ込めてしまう。
さらに,非学習過程を近似するために,影響関数を用いた高い計算オーバーヘッドを管理する。
画像再構成と画像合成のタスクにより,出力における未学習物体の忠実度を評価する。
提案手法は,サンプルと特徴学習法とは対照的に,要求されないサンプルを保存し,オブジェクトの非学習結果の改善を実証する。
この作業は、データサンプル全体やデータセット機能の有用性を犠牲にすることなく、特定のオブジェクトレベルの詳細を忘れることで、ターゲットマシンの未学習の粒度を増大させることで、重要なプライバシー問題に対処する。
関連論文リスト
- Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。
本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。
実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2024-10-31T06:55:24Z) - A Closer Look at Machine Unlearning for Large Language Models [46.245404272612795]
大型言語モデル(LLM)は機密または著作権のあるコンテンツを記憶し、プライバシーと法的懸念を高める。
LLMの機械学習におけるいくつかの問題について議論し、可能なアプローチについての洞察を提供する。
論文 参考訳（メタデータ） (2024-10-10T16:56:05Z) - Distribution-Level Feature Distancing for Machine Unlearning: Towards a Better Trade-off Between Model Utility and Forgetting [4.220336689294245]
本稿では,タスク関連特徴相関を保ちつつ,効率的にインスタンスを破棄する新しい手法である分散レベル特徴分散(DLFD)を提案する。
提案手法は, 特徴分布を忘れ試料と明確に異なるように最適化し, 単一の学習エポック内で有効結果を得る。
論文 参考訳（メタデータ） (2024-09-23T06:51:10Z) - Towards Efficient Target-Level Machine Unlearning Based on Essential Graph [18.35868679190816]
機械学習の既存の研究は、主に1つのクラスからインスタンスのクラスタやすべてのインスタンスを忘れる未学習の要求に焦点を当てている。
モデルから部分的対象を除去することに焦点を当てた、より効率的で効率的な非学習手法を提案する。
様々なデータセット上で異なるトレーニングモデルを用いた実験は、提案手法の有効性を示す。
論文 参考訳（メタデータ） (2024-06-16T14:17:13Z) - The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
大規模言語モデル(LLM)はAIの進歩の基礎となっている。
LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。
機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
論文 参考訳（メタデータ） (2024-03-23T09:26:15Z) - Unlearn What You Want to Forget: Efficient Unlearning for LLMs [92.51670143929056]
大規模言語モデル(LLM)は、幅広いテキストデータを事前学習し記憶することで大きな進歩を遂げた。
このプロセスはプライバシー問題やデータ保護規則違反に悩まされる可能性がある。
データ削除後のモデル全体を再トレーニングすることなく、LLMを効率的に更新できる効率的なアンラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-31T03:35:59Z) - Visuomotor Control in Multi-Object Scenes Using Object-Aware
Representations [25.33452947179541]
ロボット作業におけるオブジェクト指向表現学習の有効性を示す。
本モデルは,サンプル効率のよい制御ポリシーを学習し,最先端のオブジェクト技術より優れている。
論文 参考訳（メタデータ） (2022-05-12T19:48:11Z) - Machine Unlearning of Features and Labels [72.81914952849334]
機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。
提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
論文 参考訳（メタデータ） (2021-08-26T04:42:24Z) - REGRAD: A Large-Scale Relational Grasp Dataset for Safe and
Object-Specific Robotic Grasping in Clutter [52.117388513480435]
本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。
データセットは2D画像と3Dポイントクラウドの両方で収集されます。
ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
論文 参考訳（メタデータ） (2021-04-29T05:31:21Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。