論文の概要: FaLW: A Forgetting-aware Loss Reweighting for Long-tailed Unlearning

• arxiv url: http://arxiv.org/abs/2601.18650v1
• Date: Mon, 26 Jan 2026 16:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.932096
• Title: FaLW: A Forgetting-aware Loss Reweighting for Long-tailed Unlearning
• Title（参考訳）: FaLW: 長身の未学習者のための忘れ物認識の損失軽減
• Authors: Liheng Yu, Zhe Zhao, Yuxuan Wang, Pengkun Wang, Binwu Wang, Yang Wang,
• Abstract要約: FaLWはプラグアンドプレイの動的損失再重み付け方式である。 各サンプルの未学習状態を、その予測確率と同一クラスからの未学習データの分布を比較して評価する。 実験により、FaLWは優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 24.734154431191538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine unlearning, which aims to efficiently remove the influence of specific data from trained models, is crucial for upholding data privacy regulations like the ``right to be forgotten". However, existing research predominantly evaluates unlearning methods on relatively balanced forget sets. This overlooks a common real-world scenario where data to be forgotten, such as a user's activity records, follows a long-tailed distribution. Our work is the first to investigate this critical research gap. We find that in such long-tailed settings, existing methods suffer from two key issues: \textit{Heterogeneous Unlearning Deviation} and \textit{Skewed Unlearning Deviation}. To address these challenges, we propose FaLW, a plug-and-play, instance-wise dynamic loss reweighting method. FaLW innovatively assesses the unlearning state of each sample by comparing its predictive probability to the distribution of unseen data from the same class. Based on this, it uses a forgetting-aware reweighting scheme, modulated by a balancing factor, to adaptively adjust the unlearning intensity for each sample. Extensive experiments demonstrate that FaLW achieves superior performance. Code is available at \textbf{Supplementary Material}.
• Abstract（参考訳）: トレーニングされたモデルから特定のデータの影響を効率的に取り除くことを目的とした機械学習は、‘忘れられる権利’のようなデータプライバシ規制の維持に不可欠である。 しかし,既存の研究では,比較的バランスのとれた左折集合に対する未学習の手法を主に評価している。 これは、ユーザのアクティビティレコードなどの忘れられるデータが、長い尾の分布に従うような、一般的な現実世界のシナリオを見落としている。 私たちの仕事は、この重要な研究ギャップを初めて調査する。 このような長期的な設定では、既存のメソッドは、 \textit{Heterogeneous Unlearning Deviation} と \textit{Skewed Unlearning Deviation} の2つの主要な問題に悩まされている。 これらの課題に対処するために、プラグアンドプレイの動的損失再重み付け法であるFaLWを提案する。 FaLWは、その予測確率と同一クラスからの未学習データの分布を比較して、各サンプルの未学習状態を革新的に評価する。 これに基づいて、バランス係数によって変調された、忘れやすい再重み付けスキームを使用して、各サンプルの未学習強度を適応的に調整する。 大規模な実験により、FaLWは優れた性能を発揮することが示された。 コードは \textbf{Supplementary Material} で入手できる。

関連論文リスト

• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。 しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• Robust Machine Learning by Transforming and Augmenting Imperfect Training Data [6.928276018602774]
  この論文は、現代の機械学習のいくつかのデータ感度を探求する。 まず、トレーニングデータで測定された事前の人間の識別をMLが符号化するのを防ぐ方法について論じる。 次に、トレーニング中に予測忠実度を提供するが、デプロイ時に信頼性が低い突発的特徴を含むデータから学習する問題について論じる。
  論文  参考訳（メタデータ） (2023-12-19T20:49:28Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
  本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。 我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。 これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
  論文  参考訳（メタデータ） (2020-08-08T03:02:27Z)

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。