論文の概要: Erase to Retain: Low Rank Adaptation Guided Selective Unlearning in Medical Segmentation Networks

• arxiv url: http://arxiv.org/abs/2511.16574v1
• Date: Thu, 20 Nov 2025 17:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.758368
• Title: Erase to Retain: Low Rank Adaptation Guided Selective Unlearning in Medical Segmentation Networks
• Title（参考訳）: 医用セグメンテーションネットワークにおける低ランク適応指導型選択的アンラーニング
• Authors: Nirjhor Datta, Md. Golam Rabiul Alam,
• Abstract要約: 医用画像セグメンテーションのための制御可能なアンラーニングフレームワークであるErase to Retainを紹介する。 提案手法は,低ランク適応 (LoRA) 制約付き部分空間更新を用いた教師学生蒸留パラダイムを用いている。 ISIC分類では, 忘れ部分集合の精度を87.0%から64.1%に下げるとともに, 保持精度を83.9%から90.6%に改善する。
• 参考スコア（独自算出の注目度）: 0.7305019142196584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to selectively remove knowledge from medical segmentation networks is increasingly important for privacy compliance, ethical deployment, and continual dataset revision. We introduce Erase to Retain, a controllable unlearning framework for medical image segmentation that achieves targeted forgetting without full retraining. Our method uses a teacher-student distillation paradigm with Low-Rank Adaptation (LoRA) constrained subspace updates, enabling the student network to erase lesion-specific or class-specific representations in low-rank decoder spaces while preserving global anatomical understanding. During the strong unlearning phase, LoRA modules are adversarially optimized to contradict the teacher's confident predictions on a designated forget subset, enforcing semantic removal. This is followed by a gentle restoration phase that recovers generalization on retained data through head-only supervised refinement. For ISIC segmentation, the student reduces forget-set IoU from 0.875 to 0.509 while maintaining competitive performance on the retain and validation splits (0.647 to 0.677 IoU). On the cross-domain CHASE dataset, Erase to Retain consistently lowers forget-set IoU while preserving utility on retain and validation sets. For ISIC classification, our method decreases accuracy on the forget subset from 87.0 percent to 64.1 percent while improving retain accuracy from 83.9 percent to 90.6 percent. These results demonstrate that LoRA-based subspace unlearning provides a practical pathway toward responsible, controllable, and reversible unlearning in medical image analysis, enabling models to forget sensitive samples or structures while preserving performance where it matters most.
• Abstract（参考訳）: 医療セグメンテーションネットワークから知識を選択的に取り除く能力は、プライバシコンプライアンス、倫理的デプロイメント、継続的なデータセット修正においてますます重要になっている。 医用画像セグメンテーションのための制御不能なアンラーニングフレームワークであるErase to Retainを導入し、完全なリトレーニングをすることなく、ターゲットを忘れることを実現する。 提案手法は,低ランク適応(LoRA)制約付きサブスペース更新を用いた教師学生蒸留パラダイムを用いて,グローバルな解剖学的理解を維持しつつ,低ランクデコーダ空間の病変特異的あるいはクラス固有表現を除去する。 強力なアンラーニングフェーズでは、LORAモジュールは教師が指定された忘れの部分集合に対して自信を持って予測することと矛盾するように逆最適化され、意味的除去が強制される。 これに続いて、ヘッドオンリーの教師付き精錬により保持データの一般化を回復する緩やかな復元フェーズが続く。 ISICセグメンテーションでは、留置とバリデーションの競合性能(0.647から0.677IoU)を維持しながら、留置セットのIoUを0.875から0.509に削減する。 クロスドメインのCHASEデータセットでは、Erase to Retainは、保持とバリデーションセットのユーティリティを保持しながら、スリープセットのIoUを一貫して低下させる。 ISIC分類では, 忘れ部分集合の精度を87.0%から64.1%に下げるとともに, 保持精度を83.9%から90.6%に改善する。 これらの結果は,LoRAに基づくサブスペース・アンラーニングが,医療画像解析における責任,コントロール可能,可逆的アンラーニングへの実践的経路を提供することを示した。

関連論文リスト

• MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare [0.0]
  本稿では,適応勾配スペーシフィケーションとCKKSの同型暗号化を組み合わせた新しいフレームワークであるMedHEについて述べる。 提案手法では, モデルユーティリティを保ちながら, 97.5パーセントの通信削減を実現し, エラー補償を施した動的しきい値機構を導入している。
  論文  参考訳（メタデータ） (2025-11-12T06:50:48Z)
• Resource-efficient Automatic Refinement of Segmentations via Weak Supervision from Light Feedback [1.8082075562656847]
  SCOREは、トレーニング中の光フィードバックのみを用いてマスク予測を洗練することを学ぶ弱教師付きフレームワークである。 上腕骨CTスキャンにおいてSCOREを実証し、初期予測を大幅に改善し、既存の精錬法と同等の性能を達成する。
  論文  参考訳（メタデータ） (2025-11-04T13:53:10Z)
• GUARD: Guided Unlearning and Retention via Data Attribution for Large Language Models [17.83305806604326]
  GUARDは、データ属性を通じて学習と保持をガイドするフレームワークである。 適応的で一様でないアンラーニングウェイトをサンプルに割り当て、逆にプロキシ属性スコアに比例する。 我々はGUARDが従来の手法に匹敵するメトリクスを忘れずに保持を大幅に改善する厳密な理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-06-12T17:49:09Z)
• Augmenting Unsupervised Reinforcement Learning with Self-Reference [63.68018737038331]
  人間は、新しいタスクを学ぶ際に、過去の経験を明確に表現する能力を持っている。 本稿では,歴史情報を活用するためのアドオンモジュールとして,自己参照(SR)アプローチを提案する。 提案手法は,非教師付き強化学習ベンチマークにおけるIQM(Interquartile Mean)性能と最適ギャップ削減の両面から,最先端の成果を実現する。
  論文  参考訳（メタデータ） (2023-11-16T09:07:34Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Contrastive and Selective Hidden Embeddings for Medical Image Segmentation [25.80192874762209]
  医用画像セグメンテーションのための対照的な学習ベース重み事前トレーニングを提案する。 不確実性を考慮した特徴選択ブロック(UAFS)と呼ばれる新しい構造は、少数機能による学習目標シフトを処理するように設計されている。 6つのドメインから8つのパブリックデータセットにまたがって、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2022-01-21T16:52:19Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• Flip Learning: Erase to Segment [65.84901344260277]
  弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。 ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。 提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
  論文  参考訳（メタデータ） (2021-08-02T09:56:10Z)
• Memory-Efficient Semi-Supervised Continual Learning: The World is its Own Replay Buffer [26.85498630152788]
  リハーサルは、クラスインクリメンタルな連続学習にとって重要なコンポーネントですが、十分なメモリ予算が必要です。 本研究は,エージェントの環境からラベルのないデータを活用することで,メモリ予算を大幅に削減できるかどうかを検討する。 本稿では, 疑似ラベル付け, 整合正則化, OoD(Out-of-Distribution)検出, 知識蒸留により, この環境下での忘れを少なくする戦略を示す。
  論文  参考訳（メタデータ） (2021-01-23T17:23:08Z)

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。