論文の概要: Stake the Points: Structure-Faithful Instance Unlearning

• arxiv url: http://arxiv.org/abs/2603.12915v1
• Date: Fri, 13 Mar 2026 11:40:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.065194
• Title: Stake the Points: Structure-Faithful Instance Unlearning
• Title（参考訳）: S Take the Points: Structure-Faithful Instance Unlearning
• Authors: Kiseong Hong, JungKyoo Shin, Eunwoo Kim,
• Abstract要約: マシン・アンラーニング(MU)は、保持された知識の有効性を保ちながら、指定されたデータの影響を取り除くことを目的としている。 本稿では,知識構造を維持するための基準点となるセマンティックアンカーの利害関係を導入する,構造に忠実な新しい枠組みを提案する。 その結果、平均利得は32.9%、22.5%、19.3%で、削除-保留トレードオフのバランスと一般化の強化が示されている。
• 参考スコア（独自算出の注目度）: 12.36218755528715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine unlearning (MU) addresses privacy risks in pretrained models. The main goal of MU is to remove the influence of designated data while preserving the utility of retained knowledge. Achieving this goal requires preserving semantic relations among retained instances, which existing studies often overlook. We observe that without such preservation, models suffer from progressive structural collapse, undermining both the deletion-retention balance. In this work, we propose a novel structure-faithful framework that introduces stakes, i.e., semantic anchors that serve as reference points to maintain the knowledge structure. By leveraging these anchors, our framework captures and stabilizes the semantic organization of knowledge. Specifically, we instantiate the anchors from language-driven attribute descriptions encoded by a semantic encoder (e.g., CLIP). We enforce preservation of the knowledge structure via structure-aware alignment and regularization: the former aligns the organization of retained knowledge before and after unlearning around anchors, while the latter regulates updates to structure-critical parameters. Results from image classification, retrieval, and face recognition show average gains of 32.9%, 22.5%, and 19.3% in performance, balancing the deletion-retention trade-off and enhancing generalization.
• Abstract（参考訳）: マシン・アンラーニング(MU)は、事前訓練されたモデルのプライバシーリスクに対処する。 MUの主な目的は、保持された知識の実用性を維持しつつ、指定されたデータの影響を取り除くことである。 この目標を達成するには、既存の研究がしばしば見落としている保持インスタンス間の意味的関係を保存する必要がある。 このような保存がなければ、モデルは進行的な構造崩壊に悩まされ、削除と保持のバランスを損なうことになる。 本研究では,知識構造を維持するための基準点として機能するセマンティックアンカーという,構造に忠実な新しい枠組みを提案する。 これらのアンカーを活用することで、私たちのフレームワークは知識の意味的な組織を捕捉し、安定化します。 具体的には、セマンティックエンコーダ(例えばCLIP)でエンコードされた言語駆動属性記述からアンカーをインスタンス化する。 我々は,構造的アライメントと正規化を通した知識構造保存を実施する。前者はアンカーの前後で知識の保持組織を整列し,後者は構造的クリティカルなパラメータの更新を規制する。 画像分類、検索、顔認識の結果は、平均32.9%、22.5%、19.3%のパフォーマンス向上を示し、削除と保持のトレードオフのバランスと一般化の強化を示している。

関連論文リスト

• MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
  本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。 MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-02-19T05:20:31Z)
• Geometric-Disentangelment Unlearning [106.99160454669902]
  忘れたサンプルへの勾配は しばしば 保持された知識を傷つける 本稿では,GU(Geometric-disment Unlearning)を提案する。 本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
  論文  参考訳（メタデータ） (2025-11-21T09:58:25Z)
• Hierarchical Semantic Tree Anchoring for CLIP-Based Class-Incremental Learning [11.82771798674077]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、モデルが過去の知識を保ちながら、新しいクラスを継続的に学習することを可能にする。 しかし、現実世界の視覚的および言語的概念は本質的に階層的である。 本稿では,CILに階層的な情報を固定し,破滅的な忘れを抑えるHASTENを提案する。
  論文  参考訳（メタデータ） (2025-11-19T17:14:47Z)
• Pre-Forgettable Models: Prompt Learning as a Native Mechanism for Unlearning [9.512928441517811]
  ファンデーションモデルは、様々なモダリティやタスクにまたがる堅牢で伝達可能な表現を可能にすることによって、マルチメディア分析を変革してきた。 リトレーニング、アクティベーション編集、蒸留を含む従来の未学習のアプローチは、しばしば高価で脆弱で、リアルタイムまたは継続的な進化するシステムに不適である。 本稿では,知識の獲得と除去を1つの学習段階内に統一する,プロンプトベースの学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T13:28:04Z)
• StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [79.44594332189018]
  CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。 既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。 本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T06:46:51Z)
• Hierarchical Insights: Exploiting Structural Similarities for Reliable 3D Semantic Segmentation [4.480310276450028]
  本稿では,抽象を通してクラス間の構造的関係を学習する3次元LiDARセマンティックセマンティックセマンティクスモデルのトレーニング戦略を提案する。 これは、階層的マルチラベル分類(HMC)のための学習規則を用いて、これらの関係を暗黙的にモデル化することで達成される。 詳細な分析により、このトレーニング戦略はモデルの信頼性校正を改善するだけでなく、融合、予測、計画といった下流タスクに有用な追加情報を保持することが示される。
  論文  参考訳（メタデータ） (2024-04-09T08:49:01Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• A Self-Supervised Gait Encoding Approach with Locality-Awareness for 3D Skeleton Based Person Re-Identification [65.18004601366066]
  3Dスケルトン配列内の歩行特徴による人物再識別(Re-ID)は、いくつかの利点を持つ新しい話題である。 本稿では、ラベルのない骨格データを利用して人物の歩行表現を学習できる自己教師付き歩行符号化手法を提案する。
  論文  参考訳（メタデータ） (2020-09-05T16:06:04Z)

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。