論文の概要: Form and Function: Machine Unlearning as a Problem of Misaligned States

• arxiv url: http://arxiv.org/abs/2605.17590v1
• Date: Sun, 17 May 2026 18:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.385914
• Title: Form and Function: Machine Unlearning as a Problem of Misaligned States
• Title（参考訳）: 形式と機能: ミスアライズされた状態の問題としての機械学習
• Authors: Kennon Stewart,
• Abstract要約: 我々は,オンラインL-BFGSの非学習を,対実的状態アライメント問題として定式化する。 パラメータエラー,メモリ操作エラー,結合状態エラー,更新方向エラーを計測する状態認識メトリクスを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We formulate machine unlearning for online L-BFGS as a counterfactual state-alignment problem. Given an actual event stream and a deletion-edited counterfactual stream, the target of unlearning is the optimizer state that would have arisen had the deleted samples never been processed. We introduce state-aware metrics that separately measure parameter error, memory-operator error, combined state error, and update-direction error. The memory metric compares the inverse-Hessian actions induced by the o-L-BFGS memory, rather than treating curvature pairs as of finite influence. Under convexity assumptions, we derive a recursive bound on counterfactual state deviation. We then evaluate a state-aware benchmark of deletion interventions, including memory-only and parameter-only corrections, against an counterfactual oracle model. These results show that unlearning for online L-BFGS is not merely a parameter-correction problem: it requires alignment with a realizable counterfactual optimizer state.
• Abstract（参考訳）: 我々は,オンラインL-BFGSのための機械学習を,対実的状態アライメント問題として定式化する。 実際のイベントストリームと削除編集された反ファクトストリームを考えると、未学習のターゲットは、削除されたサンプルが処理されない場合に発生するオプティマイザ状態である。 パラメータエラー、メモリ操作エラー、結合状態エラー、更新方向エラーを別々に計測する状態認識メトリクスを導入する。 メモリメトリックは、曲線対を有限の影響として扱うのではなく、o-L-BFGSメモリによって誘導される逆ヘッセン作用を比較する。 凸性仮定の下では、反事実的状態偏差に再帰的境界を導出する。 次に、メモリのみの修正やパラメータのみの修正を含む削除介入の状態を意識したベンチマークを、反現実的なオラクルモデルに対して評価する。 これらの結果から,オンラインL-BFGSのアンラーニングは単にパラメータ補正の問題ではないことが示唆された。

関連論文リスト

• Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
  本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。 最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
  論文  参考訳（メタデータ） (2026-05-14T20:15:22Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Finite Memory Belief Approximation for Optimal Control in Partially Observable Markov Decision Processes [1.614301262383079]
  部分観測可能(PO)最適制御(SOC)問題に対する有限メモリ信念近似について検討した。 我々は,情報損失を制御性能に直接関連付ける計量に基づく理論を開発した。
  論文  参考訳（メタデータ） (2026-01-06T16:05:20Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Parameter-tuning-free data entry error unlearning with adaptive selective synaptic dampening [51.34904967046097]
  本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。 本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。 このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
  論文  参考訳（メタデータ） (2024-02-06T14:04:31Z)
• Quasi-Probabilistic Readout Correction of Mid-Circuit Measurements for Adaptive Feedback via Measurement Randomized Compiling [7.804530685405802]
  量子測定は量子コンピューティングの基本的な構成要素である。 現代の量子コンピュータでは、測定は量子ゲートよりも誤差が多い。 本研究では, ランダム化コンパイルを用いて, 測定誤差を単純な誤差モデルに調整できることを示す。
  論文  参考訳（メタデータ） (2023-12-21T18:57:13Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)

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。