Fugu-MT 論文翻訳(概要): Exact Unlearning from Proxies Induces Closeness Guarantees on Approximate Unlearning

論文の概要: Exact Unlearning from Proxies Induces Closeness Guarantees on Approximate Unlearning

arxiv url: http://arxiv.org/abs/2605.10680v1
Date: Mon, 11 May 2026 14:57:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.917815
Title: Exact Unlearning from Proxies Induces Closeness Guarantees on Approximate Unlearning
Title（参考訳）: プロキシからのエクササイズアンラーニングは、近似アンラーニングにおけるクローズネス保証を誘導する
Authors: Virgile Dine, Teddy Furon,
Abstract要約: 本稿では,データ分布の構造を直接学習するパラダイムシフトリンクマシンを提案する。これらの分布を精度良く推定することで、モデリングによって引き起こされる正確な未学習信号を蒸留できることを示す。
参考スコア（独自算出の注目度）: 21.011990634407834
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a paradigm shift linking machine unlearning directly to the structure of the data distributions rather than a mere update of the neural network parameters. We show that inferring these distributions with precision enables distilling the exact unlearning signal induced by the modeling. Theoretical bounds on the Kullback-Leibler divergence from the ideal retrained model to our unlearned model, under verifiable admissibility criterion, reveal the soundness of our framework. This method is experimentally validated over three forgetting scenarios as reaching the closest classifier to the ideal retrained model when compared to competitors.
Abstract（参考訳）: 本稿では,ニューラルネットワークパラメータの単なる更新ではなく,データ分布の構造を直接学習するパラダイムシフトリンクマシンを提案する。これらの分布を精度良く推定することで、モデリングによって引き起こされる正確な未学習信号を蒸留できることを示す。理想的な再学習モデルから未学習モデルへのKulback-Leiblerの分岐に関する理論的境界は、検証可能な許容基準の下で、我々の枠組みの健全性を明らかにする。本手法は, 競合モデルと比較した場合, 最適再学習モデルに最も近い分類器に到達する3つのシナリオに対して実験的に検証される。

関連論文リスト

Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
論文参考訳（メタデータ） (2026-02-10T19:08:40Z)
Toward Reliable Machine Unlearning: Theory, Algorithms, and Evaluation [1.7767466724342065]
本稿では,SOTA MIAスコアに基づく画像分類の最先端手法を超越したAdrial Machine UNlearning(AMUN)を提案する。既存の手法は、最寄りの会員推定攻撃(MIA-NN)を導入して、再訓練されたモデルの動作を再現できないことを示す。そこで我々は,スクラッチから再学習したモデルが生成する残りのクラスに対する分布を,クラス入力に対して近似することで,このリークを緩和する微調整対象を提案する。
論文参考訳（メタデータ） (2025-12-07T20:57:25Z)
Improving Local Fidelity Through Sampling and Modeling Nonlinearity [3.7080015862513847]
Local Interpretable Model-Agnostic Explanation (LIME) は、局所的な決定境界が線形であり、非線形の関係を捉えることができないと仮定する。本稿では,高忠実度な説明を生成できる新しい手法を提案する。
論文参考訳（メタデータ） (2025-12-05T09:26:18Z)
Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check [60.77691669644931]
本研究では,非学習モデルと参照モデル間の分布類似度を測定する新しい尺度であるFADE(Functional Alignment for Distributional Equivalence)を提案する。 FADEは出力分布全体の機能的アライメントをキャプチャし、真の未学習の原則的評価を提供する。これらの知見は、現在の評価実践における根本的なギャップを明らかにし、FADEが真に効果的な未学習手法を開発し評価するための、より堅牢な基盤を提供することを示した。
論文参考訳（メタデータ） (2025-10-14T20:50:30Z)
A recursive Bayesian neural network for constitutive modeling of sands under monotonic and cyclic loading [0.0]
工学において、モデルは様々な排水条件、ストレスパス、ロード履歴をまたいだ土壌の挙動を捉える中心となる。本研究では,時間列学習を一般化推論で統一する再帰的ベイズニューラルネットワーク(rBNN)フレームワークを提案する。このフレームワークは、シミュレートされた3軸テストと実験的な3軸テストの両方にまたがる4つのデータセットに対して検証される。
論文参考訳（メタデータ） (2025-01-17T10:15:03Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文参考訳（メタデータ） (2020-11-24T19:52:38Z)
Adversarial Robustness of Supervised Sparse Coding [34.94566482399662]
表現を学習すると同時に、正確な一般化境界と堅牢性証明を与えるモデルを考える。線形エンコーダと組み合わされたスパーシティプロモーティングエンコーダを組み合わせた仮説クラスに着目した。エンドツーエンドの分類のための堅牢性証明を提供する。
論文参考訳（メタデータ） (2020-10-22T22:05:21Z)
Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文参考訳（メタデータ） (2020-07-11T19:44:09Z)
Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文参考訳（メタデータ） (2020-06-12T12:23:50Z)

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。