論文の概要: A Survey on Generative Model Unlearning: Fundamentals, Taxonomy, Evaluation, and Future Direction
- arxiv url: http://arxiv.org/abs/2507.19894v1
- Date: Sat, 26 Jul 2025 09:49:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:56.375536
- Title: A Survey on Generative Model Unlearning: Fundamentals, Taxonomy, Evaluation, and Future Direction
- Title（参考訳）: 生成モデルアンラーニングに関する調査:基礎,分類,評価,今後の方向性
- Authors: Xiaohua Feng, Jiaming Zhang, Fengyuan Yu, Chengye Wang, Li Zhang, Kaixiang Li, Yuyuan Li, Chaochao Chen, Jianwei Yin,
- Abstract要約: 我々はジェネレーティブ・モデル・アンラーニング(GenMU)に関する最近の研究についてレビューする。
本研究では,未学習目標,方法論的戦略,評価指標を分類するための統合分析フレームワークを提案する。
実世界のアプリケーションにおける非学習技術の潜在的な実用的価値を強調した。
- 参考スコア（独自算出の注目度）: 21.966560704390716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid advancement of generative models, associated privacy concerns have attracted growing attention. To address this, researchers have begun adapting machine unlearning techniques from traditional classification models to generative settings. Although notable progress has been made in this area, a unified framework for systematically organizing and integrating existing work is still lacking. The substantial differences among current studies in terms of unlearning objectives and evaluation protocols hinder the objective and fair comparison of various approaches. While some studies focus on specific types of generative models, they often overlook the commonalities and systematic characteristics inherent in Generative Model Unlearning (GenMU). To bridge this gap, we provide a comprehensive review of current research on GenMU and propose a unified analytical framework for categorizing unlearning objectives, methodological strategies, and evaluation metrics. In addition, we explore the connections between GenMU and related techniques, including model editing, reinforcement learning from human feedback, and controllable generation. We further highlight the potential practical value of unlearning techniques in real-world applications. Finally, we identify key challenges and outline future research directions aimed at laying a solid foundation for further advancements in this field. We consistently maintain the related open-source materials at https://github.com/caxLee/Generative-model-unlearning-survey.
- Abstract（参考訳）: 生成モデルの急速な進歩により、関連するプライバシーに関する懸念が注目を集めている。
これを解決するため、研究者らは従来の分類モデルから生成的設定への機械学習技術の適用を開始した。
この領域では顕著な進歩があったが、既存の作業の体系的な編成と統合のための統一されたフレームワークはいまだに不足している。
未学習の目的と評価プロトコルの観点からの現在の研究の実質的な違いは、様々なアプローチの客観的かつ公正な比較を妨げている。
特定の生成モデルに焦点をあてる研究もあるが、ジェネレーティブ・モデル・アンラーニング(GenMU)に固有の共通点と体系的特徴を見落としていることが多い。
このギャップを埋めるために、我々はGenMUに関する現在の研究を網羅的にレビューし、未学習の目的、方法論戦略、評価指標を分類するための統合分析フレームワークを提案する。
また、モデル編集、人間のフィードバックからの強化学習、制御可能な生成など、GenMUと関連する技術との関係について検討する。
さらに、現実世界のアプリケーションにおける非学習技術の潜在的な実用的価値を強調します。
最後に、重要な課題を特定し、この分野のさらなる発展のためのしっかりとした基盤を構築することを目的とした今後の研究の方向性を概説する。
私たちは、関連するオープンソース資料をhttps://github.com/caxLee/Generative-model-unlearning-surveyで一貫して管理しています。
関連論文リスト
- A Comprehensive Survey on Continual Learning in Generative Models [35.76314482046672]
本稿では,主流生成モデルに対する連続学習手法の包括的調査を行う。
これらのアプローチをアーキテクチャベース、正規化ベース、リプレイベースという3つのパラダイムに分類する。
我々は、トレーニング目標、ベンチマーク、コアバックボーンを含む、異なる生成モデルに対する連続的な学習設定を分析する。
論文 参考訳（メタデータ） (2025-06-16T02:27:25Z) - Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - Unified Multimodal Understanding and Generation Models: Advances, Challenges, and Opportunities [22.476740954286836]
今後の研究を導くための総合的な調査を行う。
既存の統一モデルについてレビューし、これらを3つの主要なアーキテクチャパラダイムに分類する。
トークン化戦略,クロスモーダルアテンション,データなど,この新興分野に直面する重要な課題について論じる。
論文 参考訳（メタデータ） (2025-05-05T11:18:03Z) - Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。
テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
論文 参考訳（メタデータ） (2025-03-24T07:20:43Z) - From Task-Specific Models to Unified Systems: A Review of Model Merging Approaches [13.778158813149833]
本稿では、モデルマージ手法の新たな分類法を確立し、異なるアプローチを体系的に比較し、重要な展開の概要を提供する。
この分野での急速な進歩にもかかわらず、最近の進歩と今後の方向性を予測する包括的な分類学と調査はいまだに欠落している。
論文 参考訳（メタデータ） (2025-03-12T02:17:31Z) - Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。
これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
論文 参考訳（メタデータ） (2024-08-14T16:58:48Z) - Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。
本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。
また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
論文 参考訳（メタデータ） (2024-08-08T11:34:31Z) - Heterogeneous Contrastive Learning for Foundation Models and Beyond [73.74745053250619]
ビッグデータと人工知能の時代において、新しいパラダイムは、大規模な異種データをモデル化するために、対照的な自己教師付き学習を活用することである。
本調査は基礎モデルの異種コントラスト学習の現況を批判的に評価する。
論文 参考訳（メタデータ） (2024-03-30T02:55:49Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - Unifying Self-Supervised Clustering and Energy-Based Models [9.3176264568834]
自己教師付き学習と生成モデルとの間には,原則的な関連性を確立する。
シンボル接地問題の単純かつ非自明なインスタンス化に対処するために,我々の解法をニューロシンボリックな枠組みに統合できることが示される。
論文 参考訳（メタデータ） (2023-12-30T04:46:16Z)
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。