論文の概要: Machine Unlearning for Class Removal through SISA-based Deep Neural Network Architectures

• arxiv url: http://arxiv.org/abs/2604.27804v1
• Date: Thu, 30 Apr 2026 12:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.090368
• Title: Machine Unlearning for Class Removal through SISA-based Deep Neural Network Architectures
• Title（参考訳）: SISAに基づくディープニューラルネットワークアーキテクチャによるクラス除去のための機械学習
• Authors: Ishrak Hamim Mahi, Siam Ferdous, Md Sakib Sadman Badhon, Nabid Hasan Omi, Md Habibun Nabi Hemel, Farig Yousuf Sadeque, Md. Tanzim Reza,
• Abstract要約: 機械学習は、完全に再トレーニングすることなく、モデルから特定のデータを削除することを目指している。 提案するフレームワークは、強化されたリプレイ機構とゲーティングネットワークを備え、選択的なリプレー効率を向上させる。 この調査結果は、プライバシに敏感なAIアプリケーションにデプロイするためのSISAベースのアンラーニングの可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of image generation models and other artificial intelligence (AI) systems has intensified concerns regarding data privacy and user consent. As the availability of public datasets declines, major technology companies increasingly rely on proprietary or private user data for model training, raising ethical and legal challenges when users request the deletion of their data after it has influenced a trained model. Machine unlearning seeks to address this issue by enabling the removal of specific data from models without complete retraining. This study investigates a modified SISA (Sharded, Isolated, Sliced, and Aggregated) framework designed to achieve class-level unlearning in Convolutional Neural Network (CNN) architectures. The proposed framework incorporates a reinforced replay mechanism and a gating network to enhance selective forgetting efficiency. Experimental evaluations across multiple image datasets and CNN configurations demonstrate that the modified SISA approach enables effective class unlearning while preserving model performance and reducing retraining overhead. The findings highlight the potential of SISA-based unlearning for deployment in privacy-sensitive AI applications. The implementation is publicly available at https://github.com/SiamFS/ sisa-class-unlearning.
• Abstract（参考訳）: 画像生成モデルやその他の人工知能(AI)システムの急速な普及により、データのプライバシやユーザの同意に関する懸念が高まっている。 公開データセットの可用性が低下するにつれて、大手テクノロジー企業はモデルトレーニングにプロプライエタリあるいはプライベートなユーザーデータに頼るようになり、トレーニングされたモデルに影響を与えた後、ユーザーがデータを削除することを要求した場合、倫理的および法的課題を提起する。 機械学習は、完全な再トレーニングなしにモデルから特定のデータを削除できるようにすることで、この問題に対処しようとしている。 本研究では、畳み込みニューラルネットワーク(CNN)アーキテクチャにおいて、クラスレベルのアンラーニングを実現するために設計された修正SISA(Sharded, Isolated, Sliced, Aggregated)フレームワークについて検討する。 提案するフレームワークは、強化されたリプレイ機構とゲーティングネットワークを組み、選択的忘れる効率を高める。 複数の画像データセットとCNN構成の実験的評価により、修正されたSISAアプローチは、モデル性能を保ちながら効果的なクラスアンラーニングを可能にし、再トレーニングオーバーヘッドを低減できることを示した。 この調査結果は、プライバシに敏感なAIアプリケーションにデプロイするためのSISAベースのアンラーニングの可能性を強調している。 実装はhttps://github.com/SiamFS/ sisa-class-unlearningで公開されている。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Sky of Unlearning (SoUL): Rewiring Federated Machine Unlearning via Selective Pruning [1.6818869309123574]
  フェデレーテッド・ラーニング(FL)は、データプライバシを保持しながら、分散的な方法で機械学習モデルをトレーニングすることを可能にする。 フェデレーション・アンラーニング(FU)は、敵対的なデータコントリビューションを排除することで、これらのリスクを軽減する。 本稿では,モデル性能を維持しながら学習データの影響を効率的に除去する,非学習の空(SoUL)を提案する。
  論文  参考訳（メタデータ） (2025-04-02T13:07:30Z)
• Game-Theoretic Machine Unlearning: Mitigating Extra Privacy Leakage [12.737028324709609]
  最近の法律では、要求されたデータとその影響を訓練されたモデルから取り除くことが義務付けられている。 本研究では,非学習性能とプライバシ保護の競合関係をシミュレートするゲーム理論マシンアンラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-06T13:47:04Z)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [52.40798352740857]
  3つのコアコンポーネントで構成されるICU(Iterative Contrastive Unlearning)フレームワークを紹介する。 知識未学習誘導モジュールは、未学習の損失を使用して、特定の知識を除去するためにターゲットとする。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を保持する。 イテレーティブ・アンラーニング・リファインメントモジュールは、進行中の評価と更新を通じて、アンラーニングプロセスを動的に調整する。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• Silver Linings in the Shadows: Harnessing Membership Inference for Machine Unlearning [7.557226714828334]
  ニューラルネットワークから特定のデータサンプルの影響を除去する新しい学習機構を提案する。 この目的を達成するために、我々は、ターゲットモデルの重みやアクティベーション値からプライバシーに敏感な情報を排除するための、新しい損失関数を構築した。 本研究の結果は,未学習の有効性とレイテンシ,および主課題の忠実度の観点から,我々のアプローチの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-07-01T00:20:26Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Generative Adversarial Networks Unlearning [13.342749941357152]
  機械学習は、訓練された機械学習モデルからトレーニングデータを消去するソリューションとして登場した。 GAN(Generative Adversarial Networks)の研究は、ジェネレータと識別器を含む独自のアーキテクチャによって制限されている。 本稿では,GANモデルにおける項目学習とクラス学習の両方を対象としたケースドアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-19T02:21:21Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。