論文の概要: EASE: Federated Multimodal Unlearning via Entanglement-Aware Anchor Closure

• arxiv url: http://arxiv.org/abs/2605.00733v1
• Date: Fri, 01 May 2026 15:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.998886
• Title: EASE: Federated Multimodal Unlearning via Entanglement-Aware Anchor Closure
• Title（参考訳）: EASE: 絡み合いを意識したアンカー閉鎖によるマルチモーダル・アンラーニング
• Authors: Zihao Ding, Beining Wu, Jun Huang,
• Abstract要約: Federated Multimodal Learning (FML)は、イメージテキストペアをプライベートにしながら、分散クライアント間でマルチモーダルモデルをトレーニングする。 統合埋め込みトレーニングは、モダリティとクライアント勾配部分空間の両方にわたって忘れられた知識を絡み合わせることで、フェデレートされた未学習を妨げる。 アングルメント・アウェア・サブスペース・エクスプレッション・フレームワークであるEASEについて述べる。
• 参考スコア（独自算出の注目度）: 6.793389156312514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Multimodal Learning (FML) trains multimodal models across decentralized clients while keeping their image-text pairs private. However, joint embedding training entangles forgotten knowledge across both modalities and client gradient subspaces, hindering federated unlearning. Previous federated unlearning approaches neither sever the cross-modal reconstruction channel mediated by bilinear coupling nor separate forget-exclusive update directions from those shared with retained clients. We identify an Anchor Principle for federated multimodal contrastive unlearning: forgotten alignments persist through three residual anchors arising from bilinear cross-modal coupling, principal-angle subspace entanglement, and continued federated updates. At the modality level, we show that bilateral displacement of both visual and language branches closes the cross-modal reconstruction channel. Correspondingly, our method addresses subspace entanglement through Cosine--Sine decomposition of client-update subspaces, isolating forget-exclusive directions from retain support. Moreover, we propose a direction-selective Forget Lock that bounds residual drift across rounds. Combining these strategies, we present EASE, an Entanglement-Aware Subspace Excision framework that closes all three anchor channels under a unified design. EASE demonstrates consistent superiority across multiple datasets and unlearning scenarios, for instance, matching the retrain reference to within 0.2 and 4.2 R@1 points on the forget and retain sides under client unlearning on Flickr30K with CLIP-B/32.
• Abstract（参考訳）: Federated Multimodal Learning (FML)は、イメージテキストペアをプライベートにしながら、分散クライアント間でマルチモーダルモデルをトレーニングする。 しかし、共同埋め込みトレーニングは、モダリティとクライアント勾配部分空間の両方にわたって忘れられた知識を絡み合わせ、フェデレートされた未学習を妨げる。 以前のフェデレーション・アンラーニングでは、双線形カップリングを介するクロスモーダルな再構築チャネルや、保持されたクライアントと共有しているクライアントから排他的更新方向の分離は行われなかった。 我々は, 連接型マルチモーダルコントラスト学習におけるアンカー原理を同定し, 連接型クロスモーダル結合, 主角部分空間絡み, 連接型更新によって生じる3つの残留アンカーを通して, 忘れられたアライメントを継続する。 モダリティレベルでは、視覚枝と言語枝の両側変位が相互再構成チャネルを閉鎖することを示す。 これに対応して,クライアント更新部分空間を分解したCosine-Sineによる部分空間の絡み合いに対処し,リテンションサポートから左排他方向を分離する。 さらに,ラウンド間の残留ドリフトを束縛する方向選択型フォークを提案する。 これらの戦略を組み合わせることで、3つのアンカーチャネル全てを統一設計で閉じるEntanglement-Aware Subspace ExcisionフレームワークであるEASEを提案する。 EASEは複数のデータセットとアンラーニングシナリオで一貫した優位性を示し、例えば、リトレイン参照をリザーブドの0.2と4.2 R@1ポイントでマッチングし、CLIP-B/32でFlickr30Kでクライアントアンラーニングの辺を保持できる。

関連論文リスト

• TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning [10.314982171290835]
  マルチモーダル・レコメンデーション・システム (MRS) は, ユーザ・イテム相互作用グラフとリッチアイテム・コンテントを共同でモデル化するが, この密結合により学習後, ユーザデータの除去が困難になる。 近似マシンアンラーニング(英語版)は、完全な再トレーニングに代わる効率的な代替手段を提供するが、MSSの既存の方法は、主にモデル全体のほぼ均一な逆更新に依存している。 削除データの影響は均一に分散されていないが、テクトit rankの振る舞い、テクトモダリティのブランチ、およびテクトitnetwork層に不均一に集中している。
  論文  参考訳（メタデータ） (2026-04-02T15:45:03Z)
• Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
  Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。 テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-12-28T18:24:19Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• FedRSClip: Federated Learning for Remote Sensing Scene Classification Using Vision-Language Models [23.830133838392964]
  本稿では,VLM,特にCLIPに基づくリモートセンシング画像分類のための最初のフェデレーション学習フレームワークであるFedRSCLIPを提案する。 FedRSCLIPは、Prompt Learningを導入することで、フェデレーション環境におけるデータ不均一性と大規模モデル伝送の課題に対処する。 提案モデルの有効性を検証するため,既存の3つのリモートセンシング画像分類データセットに基づいてFed-RSICデータセットを構築した。
  論文  参考訳（メタデータ） (2025-01-05T07:10:27Z)
• CLIPErase: Efficient Unlearning of Visual-Textual Associations in CLIP [57.49519639951552]
  CLIPEraseは視覚的・テキスト的関連を選択的に忘れる新しいアプローチである。 CIFAR-100とFlickr30Kデータセットの実験は、CLIPEraseがマルチモーダルサンプルのゼロショットタスクにおける指定された関連性を効果的に忘れていることを示している。
  論文  参考訳（メタデータ） (2024-10-30T17:51:31Z)
• DELAN: Dual-Level Alignment for Vision-and-Language Navigation by Cross-Modal Contrastive Learning [40.87681228125296]
  VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従うことで、見えない環境でナビゲートする必要がある。 タスク完了のためには、エージェントは、指示、観察、ナビゲーション履歴を含む様々なナビゲーションモダリティを調整および統合する必要がある。
  論文  参考訳（メタデータ） (2024-04-02T14:40:04Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• Perceiving the Invisible: Proposal-Free Amodal Panoptic Segmentation [13.23676270963484]
  アモーダル・パノプティクス・セグメンテーションは、世界の認識と認知的理解を結びつけることを目的としている。 我々は、このタスクをマルチラベルおよびマルチクラス問題として扱う、プロポーザルフリーフレームワークを定式化する。 共有バックボーンと非対称なデュアルデコーダを組み込んだネットアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-29T12:05:07Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。