論文の概要: ICED: Concept-level Machine Unlearning via Interpretable Concept Decomposition
- arxiv url: http://arxiv.org/abs/2605.14309v2
- Date: Fri, 15 May 2026 04:01:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 21:22:25.979885
- Title: ICED: Concept-level Machine Unlearning via Interpretable Concept Decomposition
- Title（参考訳）: ICED: 解釈可能な概念分解による概念レベルの機械アンラーニング
- Authors: Shen Lin, Jing Lin, Junhao Dong, Piotr Koniusz, Li Xu,
- Abstract要約: 視覚言語モデル(VLM)のための解釈可能な概念レベルのアンラーニングフレームワークを提案する。
提案手法は,非学習を概念レベルの最適化として定式化し,対象概念を選択的に抑制し,非目標セマンティクスとグローバルなクロスモーダル知識を保存する。
- 参考スコア（独自算出の注目度）: 44.733160260712054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine unlearning in Vision-Language Models (VLMs) is typically performed at the image or instance level, making it difficult to precisely remove target knowledge without affecting unrelated semantics. This issue is especially pronounced since a single image often contains multiple entangled concepts, including both target concepts to be forgotten and contextual information that should be preserved. In this paper, we propose an interpretable concept-level unlearning framework for VLMs, which constructs a compact task-specific concept vocabulary from the forgetting set using a multimodal large language model. In addition to modality alignment, visual representations are decomposed into sparse, nonnegative combinations of semantic concepts, providing an explicit interface for fine-grained knowledge manipulation. Based on this decomposition, our method formulates unlearning as concept-level optimization, where target concepts are selectively suppressed while intra-instance non-target semantics and global cross-modal knowledge are preserved. Extensive experiments across both in-domain and out-of-domain forgetting settings demonstrate that our method enables more comprehensive target forgetting, better preserves non-target knowledge within the same image, and maintains competitive model utility compared with existing VLM unlearning methods.
- Abstract（参考訳）: VLM(Vision-Language Models)における機械学習は通常、画像やインスタンスレベルで行われるため、無関係なセマンティクスに影響を与えることなく、ターゲットの知識を正確に除去することは困難である。
単一のイメージには、忘れるべきターゲット概念と保存すべきコンテキスト情報の両方を含む、複数の絡み合った概念がしばしば含まれているため、この問題は特に顕著である。
本稿では,マルチモーダルな言語モデルを用いて,忘れる集合からコンパクトなタスク固有概念語彙を構築する,VLMのための解釈可能な概念レベルのアンラーニングフレームワークを提案する。
モダリティアライメントに加えて、視覚表現は、セマンティック概念のスパースで非負の組合せに分解され、きめ細かい知識操作のための明示的なインターフェースを提供する。
この分解に基づいて,本手法は未学習を概念レベルの最適化として定式化し,対象概念を選択的に抑制し,インスタンス内非ターゲットセマンティクスとグローバルクロスモーダル知識を保存する。
ドメイン内およびドメイン外の両方にわたる広範囲にわたる実験により、我々の手法は、より包括的なターゲットを忘れることを可能にし、同じ画像内の非ターゲット知識をよりよく保存し、既存のVLMアンラーニング手法と比較して、競合モデルの有用性を維持できることを示した。
関連論文リスト
- Disentangled Sparse Representations for Concept-Separated Diffusion Unlearning [17.479156121859827]
提案するSAEParateは,概念を意識したコントラスト的目的によって,潜在表現を概念固有のクラスタに整理する。
また,GeLUをベースとした非線形変換によりエンコーダを強化し,この分離目的下での表現能力を向上させる。
論文 参考訳（メタデータ） (2026-05-12T13:39:07Z) - Null Space Constrained Contrastive Visual Forgetting for MLLM Unlearning [22.667378623339527]
非ターゲットの視覚的知識とすべてのテキスト的知識を保存しながら、ターゲットの視覚的知識を忘れることを目的としたMLLMアンラーニング手法を導入する。
まず,対象の視覚的知識と保持された視覚的知識とを分離するコントラストビジュアルフォッティング(CVF)機構を提案する。
第二に、保持された知識に関連するヌル空間を特定し、この空間内での未学習プロセスを制約することにより、知識保持の劣化を著しく軽減する。
論文 参考訳（メタデータ） (2026-05-07T09:18:58Z) - A Concept is More Than a Word: Diversified Unlearning in Text-to-Image Diffusion Models [2.124297073085513]
概念アンラーニングは、テキスト・ツー・イメージ拡散モデルにおける有害なコンテンツ生成のリスクを低減するための有望な方向である。
既存のアプローチは通常、未学習のターゲット概念を特定するためにキーワードに依存している。
本稿では、文脈的に多様なプロンプトの集合を通して概念を表現する分散フレームワークであるDiversified Unlearningを提案する。
論文 参考訳（メタデータ） (2026-03-19T11:20:40Z) - MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。
MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
論文 参考訳（メタデータ） (2026-02-19T05:20:31Z) - AUVIC: Adversarial Unlearning of Visual Concepts for Multi-modal Large Language Models [63.05306474002547]
を強制する規制フレームワークは、機械学習の必要性を喚起します。
AUVICはMLLMのための新しい視覚概念アンラーニングフレームワークである。
AUVICは,非ターゲット概念の性能劣化を最小限に抑えつつ,最先端の目標忘れ率を実現していることを示す。
論文 参考訳（メタデータ） (2025-11-14T13:35:32Z) - Augmenting Continual Learning of Diseases with LLM-Generated Visual Concepts [1.1883838320818292]
本稿では,大規模言語モデル(LLM)が生成する視覚概念を識別的意味指導として活用する新しいフレームワークを提案する。
本手法は,類似性に基づくフィルタリング機構を備えた視覚概念プールを動的に構築し,冗長性を防止する。
注目することで、モジュールは関連する視覚概念から意味的知識を活用でき、分類のためのクラス表現の融合した特徴を生成できる。
論文 参考訳（メタデータ） (2025-08-05T05:15:54Z) - Fine-Grained Erasure in Text-to-Image Diffusion-based Foundation Models [56.35484513848296]
FADE(Fine grained Attenuation for Diffusion Erasure)は、テキストから画像への生成モデルのための非学習アルゴリズムである。
関連する概念に最小限の影響で目標概念を排除し、最先端の手法よりも保持性能が12%向上した。
論文 参考訳（メタデータ） (2025-03-25T15:49:48Z) - Imitation Learning-based Implicit Semantic-aware Communication Networks:
Multi-layer Representation and Collaborative Reasoning [68.63380306259742]
有望な可能性にもかかわらず、セマンティック通信とセマンティック・アウェア・ネットワーキングはまだ初期段階にある。
本稿では,CDCとエッジサーバの複数層を連携させる,推論に基づく暗黙的セマンティック・アウェア通信ネットワークアーキテクチャを提案する。
暗黙的セマンティクスの階層構造と個人ユーザのパーソナライズされた推論嗜好を考慮に入れたセマンティクス情報の多層表現を提案する。
論文 参考訳（メタデータ） (2022-10-28T13:26:08Z) - Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。
我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文 参考訳（メタデータ） (2020-07-14T22:04:17Z)
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。