論文の概要: Graph Propagated Projection Unlearning: A Unified Framework for Vision and Audio Discriminative Models

• arxiv url: http://arxiv.org/abs/2604.13127v1
• Date: Mon, 13 Apr 2026 21:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.21723
• Title: Graph Propagated Projection Unlearning: A Unified Framework for Vision and Audio Discriminative Models
• Title（参考訳）: Graph Propagated Projection Unlearning: 視覚と音声の識別モデルのための統一フレームワーク
• Authors: Shreyansh Pathak, Jyotishman Das,
• Abstract要約: クラスレベルのアンラーニングのための統一的でスケーラブルなアルゴリズムであるGPPU(Graph-Propagated Projection Unlearning)を導入する。 GPPUは,従来の手法よりも10～20倍の高速化を実現する。 我々のフレームワークは、機械学習に対する原則的でモダリティに依存しないアプローチを提供し、事前の作業において限られた注意を払われたスケールで評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The need to selectively and efficiently erase learned information from deep neural networks is becoming increasingly important for privacy, regulatory compliance, and adaptive system design. We introduce Graph-Propagated Projection Unlearning (GPPU), a unified and scalable algorithm for class-level unlearning that operates across both vision and audio models. GPPU employs graph-based propagation to identify class-specific directions in the feature space and projects representations onto the orthogonal subspace, followed by targeted fine-tuning, to ensure that target class information is effectively and irreversibly removed. Through comprehensive evaluations on six vision datasets and two large-scale audio benchmarks spanning a variety of architectures including CNNs, Vision Transformers, and Audio Transformers, we demonstrate that GPPU achieves highly efficient unlearning, realizing 10-20x speedups over prior methodologies while preserving model utility on retained classes. Our framework provides a principled and modality-agnostic approach to machine unlearning, evaluated at a scale that has received limited attention in prior work, contributing toward more efficient and responsible deep learning.
• Abstract（参考訳）: ディープニューラルネットワークから学習情報を選択的かつ効率的に消去する必要性は、プライバシ、規制コンプライアンス、適応システム設計においてますます重要になっている。 GPPU(Graph-Propagated Projection Unlearning)は,視覚モデルとオーディオモデルの両方で動作する,クラスレベルのアンラーニングのための統一的でスケーラブルなアルゴリズムである。 GPPUはグラフベースの伝搬を用いて特徴空間内のクラス固有の方向を識別し、直交部分空間上に表現を投影し、続いてターゲットの微調整を行い、ターゲットのクラス情報が効果的かつ不可逆的に削除されることを保証する。 CNNやVision Transformers,Audio Transformersなど,さまざまなアーキテクチャにまたがる6つの視覚データセットと2つの大規模オーディオベンチマークの包括的な評価を通じて,GPPUが従来の手法よりも10～20倍の高速化を実現し,保持クラスにおけるモデルユーティリティの維持を実現していることを示す。 我々のフレームワークは、機械学習に対する原則的でモダリティに依存しないアプローチを提供し、事前の作業において限られた注意を払われたスケールで評価し、より効率的で責任のあるディープラーニングに寄与する。

関連論文リスト

• Vision Large Language Models Are Good Noise Handlers in Engagement Analysis [54.397912827957164]
  本稿では,VLM(Vision Large Language Models)を利用したアノテーションの洗練とトレーニングプロセスの指導を行うフレームワークを提案する。 本フレームワークでは,行動手がかりを抽出し,データを高信頼性サブセットと低信頼性サブセットに分割する。 改良された高信頼性サブセットで訓練された古典型コンピュータビジョンモデルは,カリキュラム戦略により強化され,改善されたことを示す。
  論文  参考訳（メタデータ） (2025-11-18T18:50:26Z)
• No Labels Needed: Zero-Shot Image Classification with Collaborative Self-Learning [0.0]
  視覚言語モデル(VLM)と、事前学習された視覚モデルを用いた伝達学習は、この問題に対処するための有望な手法として現れる。 本稿では,VLMと事前学習した視覚モデルを組み合わせたゼロショット画像分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T12:54:52Z)
• The Geometry of Cortical Computation: Manifold Disentanglement and Predictive Dynamics in VCNet [0.0]
  本稿では,新しいニューラルネットワークアーキテクチャであるVisual Cortex Network(VCNet)を紹介する。 VCNetは、重要な生物学的メカニズムをエミュレートする幾何学的フレームワークである。 我々は、VCNetがSpots-10で92.1%、光フィールドデータセットで74.4%の最先端の精度を達成したことを示す。
  論文  参考訳（メタデータ） (2025-08-05T01:52:42Z)
• FedGraph: A Research Library and Benchmark for Federated Graph Learning [57.769105634569314]
  フェデレーショングラフ学習は、重要な実践上の課題を持つ新興分野である。 我々は,実践的な分散トレーニングを目的とした研究ライブラリであるFedGraphを紹介する。 FedGraphは最先端のグラフ学習メソッドをサポートし、システムパフォーマンスを評価するモニタリングクラスを含んでいる。
  論文  参考訳（メタデータ） (2024-10-08T20:18:18Z)
• Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
  本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。 我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。 また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
  論文  参考訳（メタデータ） (2024-07-17T11:17:20Z)
• Knowledge-guided EEG Representation Learning [27.8095014391814]
  自己教師付き学習は、音声、視覚、および音声のマルチメディア領域において印象的な結果をもたらした。 本稿では,脳波の自己教師型モデルを提案する。 また,脳波信号の慣用性を考慮した知識誘導事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-15T01:52:44Z)
• Revisiting Classifier: Transferring Vision-Language Models for Video Recognition [102.93524173258487]
  ダウンストリームタスクのためのタスク非依存の深層モデルから知識を伝達することは、コンピュータビジョン研究において重要なトピックである。 本研究では,映像分類作業における知識の伝達に着目した。 予測された言語モデルを用いて、効率的な翻訳学習のための適切なセマンティックターゲットを生成する。
  論文  参考訳（メタデータ） (2022-07-04T10:00:47Z)
• Distribution Alignment: A Unified Framework for Long-tail Visual Recognition [52.36728157779307]
  長尾視覚認識のための分散アライメント戦略を提案する。 次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。 提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-03-30T14:09:53Z)

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。