論文の概要: $\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization

• arxiv url: http://arxiv.org/abs/2604.08238v1
• Date: Thu, 09 Apr 2026 13:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.937757
• Title: $\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization
• Title（参考訳）: $\oslash$ Source Models Leak What't Not $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation through Adversarial Optimization (英語)
• Authors: Arnav Devalapally, Poornima Jain, Kartik Srinivas, Vineeth N. Balasubramanian,
• Abstract要約: ドメイン間のビジョンモデルの適用の増加は、プライバシーのリスクを増大させている。 モデルは必然的に、ターゲットドメイン内の機密なソースドメイン固有の情報を保持し、リークすることがある。 そこで本研究では,ドメイン適応過程において,逆向きに生成されたクラスサンプルをモデルから解放するアンラーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 25.531887841158483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing adaptation of vision models across domains, such as satellite imagery and medical scans, has raised an emerging privacy risk: models may inadvertently retain and leak sensitive source-domain specific information in the target domain. This creates a compelling use case for machine unlearning to protect the privacy of sensitive source-domain data. Among adaptation techniques, source-free domain adaptation (SFDA) calls for an urgent need for machine unlearning (MU), where the source data itself is protected, yet the source model exposed during adaptation encodes its influence. Our experiments reveal that existing SFDA methods exhibit strong zero-shot performance on source-exclusive classes in the target domain, indicating they inadvertently leak knowledge of these classes into the target domain, even when they are not represented in the target data. We identify and address this risk by proposing an MU setting called SCADA-UL: Unlearning Source-exclusive ClAsses in Domain Adaptation. Existing MU methods do not address this setting as they are not designed to handle data distribution shifts. We propose a new unlearning method, where an adversarially generated forget class sample is unlearned by the model during the domain adaptation process using a novel rescaled labeling strategy and adversarial optimization. We also extend our study to two variants: a continual version of this problem setting and to one where the specific source classes to be forgotten may be unknown. Alongside theoretical interpretations, our comprehensive empirical results show that our method consistently outperforms baselines in the proposed setting while achieving retraining-level unlearning performance on benchmark datasets. Our code is available at https://github.com/D-Arnav/SCADA
• Abstract（参考訳）: 衛星画像や医療スキャンなど、ドメイン間のビジョンモデルの適用が増加するにつれて、プライバシのリスクが高まっている。 これにより、センシティブなソースドメインデータのプライバシを保護するために、マシンラーニングが不要になるようなユースケースが生まれます。 適応技術の中で、ソースフリードメイン適応(SFDA)は、ソースデータ自体が保護されているマシンアンラーニング(MU)に対して緊急の必要性を要求するが、適応時に公開されたソースモデルは、その影響をコード化している。 実験の結果,既存のSFDA法は,対象ドメインのソース排他的クラスに対して強いゼロショット性能を示し,対象データに表現されていない場合でも,これらのクラスに関する知識を意図せずに対象ドメインに漏出させることが判明した。 SCADA-UL: Unlearning Source-Exclusive ClAsses in Domain Adaptation というMU設定を提案することで、このリスクを特定し、対処する。 既存のMUメソッドは、データ分散シフトを処理するように設計されていないため、この設定に対処しない。 本稿では,新たな再スケールラベリング戦略と逆最適化を用いて,ドメイン適応過程において,逆生成した左区クラスサンプルをモデルから解放するアンラーニング手法を提案する。 この問題設定の連続的なバージョンと、忘れるべき特定のソースクラスが不明なバージョンに、私たちの研究を拡張します。 理論的解釈と並行して,我々の総合的な実験結果から,提案手法はベンチマークデータセット上で再学習レベルの未学習性能を達成しつつ,提案した設定におけるベースラインを一貫して上回ることを示す。 私たちのコードはhttps://github.com/D-Arnav/SCADAで利用可能です。

関連論文リスト

• Confidence-based Visual Dispersal for Few-shot Unsupervised Domain Adaptation [39.112032738643656]
  教師なしのドメイン適応は、完全にラベル付けされたソースドメインからラベル付けされていないターゲットドメインに知識を転送することを目的としています。 FUDAのための信頼度に基づく視覚分散変換学習法(C-VisDiT)を提案する。 我々はOffice-31、Office-Home、VisDA-C、DomainNetのベンチマークデータセットを広範囲に実験し、提案したC-VisDiTが最先端のFUDA手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-27T11:16:51Z)
• RAIN: RegulArization on Input and Network for Black-Box Domain Adaptation [80.03883315743715]
  ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。 このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。 そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
  論文  参考訳（メタデータ） (2022-08-22T18:18:47Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。