論文の概要: Distillation Robustifies Unlearning

• arxiv url: http://arxiv.org/abs/2506.06278v2
• Date: Mon, 09 Jun 2025 17:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 14:13:04.178089
• Title: Distillation Robustifies Unlearning
• Title（参考訳）: 蒸留は未学習を損なう
• Authors: Bruce W. Lee, Addie Foote, Alex Infanger, Leni Shor, Harish Kamath, Jacob Goldman-Wetzler, Bryce Woodworth, Alex Cloud, Alexander Matt Turner,
• Abstract要約: 本稿では,未学習のモデルを部分的にノイズ付きコピーに蒸留するスケーラブルな手法を提案する。 最強設定では、UNDOはスクラッチからトレーニングされたモデルの堅牢性と完全なデータフィルタリングとを一致させる。 UNDOは、より現実的な大量破壊プロキシのベンチマークで、アンラーニングを強力にすることを示します。
• 参考スコア（独自算出の注目度）: 36.888726242192504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current LLM unlearning methods are not robust: they can be reverted easily with a few steps of finetuning. This is true even for the idealized unlearning method of training to imitate an oracle model that was never exposed to unwanted information, suggesting that output-based finetuning is insufficient to achieve robust unlearning. In a similar vein, we find that training a randomly initialized student to imitate an unlearned model transfers desired behaviors while leaving undesired capabilities behind. In other words, distillation robustifies unlearning. Building on this insight, we propose Unlearn-Noise-Distill-on-Outputs (UNDO), a scalable method that distills an unlearned model into a partially noised copy of itself. UNDO introduces a tunable tradeoff between compute cost and robustness, establishing a new Pareto frontier on synthetic language and arithmetic tasks. At its strongest setting, UNDO matches the robustness of a model retrained from scratch with perfect data filtering while using only 60-80% of the compute and requiring only 0.01% of the pretraining data to be labeled. We also show that UNDO robustifies unlearning on the more realistic Weapons of Mass Destruction Proxy (WMDP) benchmark. Since distillation is widely used in practice, incorporating an unlearning step beforehand offers a convenient path to robust capability removal.
• Abstract（参考訳）: 現在のLLMアンラーニング法は堅牢ではなく、数ステップの微調整で簡単に再学習できる。 これは、望ましくない情報に晒されることのないオラクルモデルを模倣する理想的な未学習の訓練方法であっても事実であり、出力ベースの微調整は堅牢な未学習を実現するには不十分であることを示している。 同様に、未学習のモデルを模倣するためにランダムに初期化学生を訓練することは、望ましくない能力を残しながら、望ましい振る舞いを伝達する。 言い換えれば、蒸留は未学習を確実にする。 この知見に基づいて、未学習のモデルを部分的にノイズ付きコピーに蒸留するスケーラブルな方法であるUnlearn-Noise-Distill-on-Outputs (UNDO)を提案する。 UNDOは計算コストと堅牢性の間の調整可能なトレードオフを導入し、合成言語と算術タスクの新たなParetoフロンティアを確立する。 最強設定では、UNDOはスクラッチから再トレーニングされたモデルのロバスト性と完全なデータフィルタリングとを一致させ、計算の60-80%しか使用せず、事前トレーニングされたデータの0.01%しかラベル付けしない。 また,UNDOは,より現実的な大量破壊プロキシ(WMDP)ベンチマークに基づいて,アンラーニングを堅牢化することを示した。 蒸留は実際に広く用いられているため、未学習の段階を事前に取り入れることで、堅牢な機能除去に便利な方法が提供される。

関連論文リスト

• Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
  教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。 UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-19T14:08:56Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
  拡散モデルは多様な画像を生成する優れた可能性を示している。 知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。 本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:30:55Z)
• Model Sparsity Can Simplify Machine Unlearning [33.18951938708467]
  最近のデータ規制要件に応えて、マシン・アンラーニング(MU)が重要なプロセスとして登場した。 本研究は,ウェイトプルーニングによるモデルスペーシフィケーションという,新しいモデルベース視点を紹介する。 理論と実践の両方において、モデルスパーシティは、近似アンラーナーのマルチ基準アンラーニング性能を高めることができることを示す。
  論文  参考訳（メタデータ） (2023-04-11T02:12:02Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)

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。