論文の概要: Factor Decorrelation Enhanced Data Removal from Deep Predictive Models

• arxiv url: http://arxiv.org/abs/2509.23443v1
• Date: Sat, 27 Sep 2025 18:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.231732
• Title: Factor Decorrelation Enhanced Data Removal from Deep Predictive Models
• Title（参考訳）: 因子相関による深部予測モデルからのデータ除去
• Authors: Wenhao Yang, Lin Li, Xiaohui Tao, Kaize Shi,
• Abstract要約: ユーザのプライバシ保護と規制コンプライアンスの義務は、モデルトレーニングにおける機密データ削除を必要とする。 本稿では,係数のデコレーションと損失摂動による深部予測モデルを強化する新しいデータ除去手法を提案する。
• 参考スコア（独自算出の注目度）: 19.35464160096721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The imperative of user privacy protection and regulatory compliance necessitates sensitive data removal in model training, yet this process often induces distributional shifts that undermine model performance-particularly in out-of-distribution (OOD) scenarios. We propose a novel data removal approach that enhances deep predictive models through factor decorrelation and loss perturbation. Our approach introduces: (1) a discriminative-preserving factor decorrelation module employing dynamic adaptive weight adjustment and iterative representation updating to reduce feature redundancy and minimize inter-feature correlations. (2) a smoothed data removal mechanism with loss perturbation that creates information-theoretic safeguards against data leakage during removal operations. Extensive experiments on five benchmark datasets show that our approach outperforms other baselines and consistently achieves high predictive accuracy and robustness even under significant distribution shifts. The results highlight its superior efficiency and adaptability in both in-distribution and out-of-distribution scenarios.
• Abstract（参考訳）: ユーザプライバシ保護と規制コンプライアンスの義務は、モデルトレーニングにおいて機密データ削除を必要とするが、このプロセスは、特にアウト・オブ・ディストリビューション(OOD)のシナリオにおいて、モデルのパフォーマンスを損なうような分散シフトを引き起こすことが多い。 本稿では,係数のデコレーションと損失摂動による深部予測モデルを強化する新しいデータ除去手法を提案する。 1)動的適応重み調整と反復表現更新を利用して特徴の冗長性を低減し,機能間相関を最小化する識別保存因子デコリレーションモジュールを提案する。 2) 損失摂動を伴うスムーズなデータ除去機構により, 削除操作時のデータ漏洩に対する情報理論的保護を実現する。 5つのベンチマークデータセットの大規模な実験は、我々のアプローチが他のベースラインより優れており、大きな分布シフトの下でも高い予測精度とロバスト性を実現していることを示している。 その結果, 流通シナリオとアウト・オブ・ディストリビューションシナリオの両方において, 優れた効率性と適応性を示した。

関連論文リスト

• Filtering with Confidence: When Data Augmentation Meets Conformal Prediction [10.431187957711206]
  本稿では,合成データ拡張のための基本データフィルタリングフレームワークを提案する。 F1スコアの最大40%の一貫性のあるパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2025-09-25T19:42:02Z)
• A Conformal Approach to Feature-based Newsvendor under Model Misspecification [2.801095519296785]
  共形予測にインスパイアされたモデルフリーで分散フリーなフレームワークを提案する。 ワシントンD.C.のCapital Bikeshareプログラムのシミュレーションデータと実世界のデータセットを用いて,我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2024-12-17T18:34:43Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• DRoP: Distributionally Robust Data Pruning [11.930434318557156]
  我々は、訓練されたモデルの分類バイアスにデータプルーニングが与える影響について、最初の系統的研究を行う。 そこで我々はDRoPを提案する。DRoPは,標準的なコンピュータビジョンベンチマークにおいて,その性能を実証的に実証し,分散的に頑健な手法である。
  論文  参考訳（メタデータ） (2024-04-08T14:55:35Z)
• Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。 我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。