論文の概要: Which Concepts to Forget and How to Refuse? Decomposing Concepts for Continual Unlearning in Large Vision-Language Models

• arxiv url: http://arxiv.org/abs/2603.21484v1
• Date: Mon, 23 Mar 2026 02:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.439859
• Title: Which Concepts to Forget and How to Refuse? Decomposing Concepts for Continual Unlearning in Large Vision-Language Models
• Title（参考訳）: 忘れるべき概念と再利用方法 : 大規模視覚言語モデルにおける連続的未学習の概念の分解
• Authors: Hyundong Jin, Dongyoon Han, Eunwoo Kim,
• Abstract要約: 連続的アンラーニングは、大規模な視覚言語モデルにおいて、シーケンシャルな削除要求に応じて、特定の画像命令ペアを選択的に拒否することを可能にする。 本稿では,視覚的・テキスト的概念を削除対象から詳細に記述した上での拒否行動に基づく,新たな非学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 35.42746849116121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual unlearning poses the challenge of enabling large vision-language models to selectively refuse specific image-instruction pairs in response to sequential deletion requests, while preserving general utility. However, sequential unlearning updates distort shared representations, creating spurious associations between vision-language pairs and refusal behaviors that hinder precise identification of refusal targets, resulting in inappropriate refusals. To address this challenge, we propose a novel continual unlearning framework that grounds refusal behavior in fine-grained descriptions of visual and textual concepts decomposed from deletion targets. We first identify which visual-linguistic concept combinations characterize each forget category through a concept modulator, then determine how to generate appropriate refusal responses via a mixture of refusal experts, termed refusers, each specialized for concept-aligned refusal generation. To generate concept-specific refusal responses across sequential tasks, we introduce a multimodal, concept-driven routing scheme that reuses refusers for tasks sharing similar concepts and adapts underutilized ones for novel concepts. Extensive experiments on vision-language benchmarks demonstrate that the proposed framework outperforms existing methods by generating concept-grounded refusal responses and preserving the general utility across unlearning sequences.
• Abstract（参考訳）: 連続的アンラーニングは、大規模な視覚言語モデルにおいて、汎用性を保ちながら、逐次削除要求に応答して、特定の画像命令ペアを選択的に拒否することを可能にする。 しかし、逐次的アンラーニング更新は、共有表現を歪め、視覚言語対と拒絶行動の間に急激な関連を生じさせ、拒絶対象の正確な識別を妨げ、不適切な拒絶をもたらす。 この課題に対処するために,削除対象から切り離された視覚的・テキスト的概念のきめ細かい記述における拒否行動の基盤となる,新しい非学習フレームワークを提案する。 まず、まず、概念変調器を用いて各忘れカテゴリーを特徴付ける視覚言語的概念の組み合わせを特定し、それぞれが概念整合型拒絶生成に特化している拒絶者と呼ばれる拒絶専門家の混合を通して適切な拒絶応答を生成する方法を決定する。 逐次的タスクにまたがる概念特異的な拒絶応答を生成するために,類似した概念を共有するタスクのリトライを再利用し,新しい概念に未利用のものを適応するマルチモーダルな概念駆動型ルーティング方式を提案する。 視覚言語ベンチマークの大規模な実験により,提案フレームワークは,概念的拒否応答を生成し,非学習シーケンスをまたいだ汎用性を維持することにより,既存の手法よりも優れていることが示された。

関連論文リスト

• A Concept is More Than a Word: Diversified Unlearning in Text-to-Image Diffusion Models [2.124297073085513]
  概念アンラーニングは、テキスト・ツー・イメージ拡散モデルにおける有害なコンテンツ生成のリスクを低減するための有望な方向である。 既存のアプローチは通常、未学習のターゲット概念を特定するためにキーワードに依存している。 本稿では、文脈的に多様なプロンプトの集合を通して概念を表現する分散フレームワークであるDiversified Unlearningを提案する。
  論文  参考訳（メタデータ） (2026-03-19T11:20:40Z)
• ConceptPrism: Concept Disentanglement in Personalized Diffusion Models via Residual Token Optimization [11.472088067393074]
  ConceptPrismは、画像固有の残留物から共有視覚概念を自動的に切り離す新しいフレームワークである。 実験では、ConceptPrismは概念の絡み合いを効果的に解決し、忠実さと整合性の間のトレードオフを著しく改善する。
  論文  参考訳（メタデータ） (2026-02-23T07:46:19Z)
• Erased or Dormant? Rethinking Concept Erasure Through Reversibility [6.895055915600732]
  我々は、統一概念編集と消去安定拡散という2つの代表的な概念消去手法を評価する。 消去された概念は、最小限の適応の後、しばしばかなりの視覚的忠実度で再帰することを示す。 本研究は,既存の概念消去アプローチにおける限界を明らかにするものである。
  論文  参考訳（メタデータ） (2025-05-22T03:26:46Z)
• Continual Unlearning for Foundational Text-to-Image Models without Generalization Erosion [56.35484513848296]
  本研究は,基本生成モデルから複数の特定の概念を対象とする除去を可能にする新しいパラダイムである連続的アンラーニングを導入する。 本稿では,望ましくない概念の生成を選択的に解き放つような一般化エロージョン(DUGE)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-17T23:17:16Z)
• Implicit Concept Removal of Diffusion Models [92.55152501707995]
  テキスト・ツー・イメージ(T2I)拡散モデルはしばしば、透かしや安全でない画像のような望ましくない概念を不注意に生成する。 幾何学駆動制御に基づく新しい概念除去手法であるGeom-Erasingを提案する。
  論文  参考訳（メタデータ） (2023-10-09T17:13:10Z)
• Deep Concept Removal [29.65899467379793]
  ディープニューラルネットワークにおける概念除去の問題に対処する。 本稿では,概念データセットに基づいて学習した逆線形分類器に基づく新しい手法を提案する。 また,逆行訓練に伴う課題に対処するために,暗黙の勾配に基づく手法を導入する。
  論文  参考訳（メタデータ） (2023-10-09T14:31:03Z)

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。