論文の概要: Can Vision Models Truly Forget? Mirage: Representation-Level Certification of Visual Unlearning

• arxiv url: http://arxiv.org/abs/2605.20282v1
• Date: Tue, 19 May 2026 05:43:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.266092
• Title: Can Vision Models Truly Forget? Mirage: Representation-Level Certification of Visual Unlearning
• Title（参考訳）: ビジョンモデルは真に忘れられるか?ミラージュ:ビジュアル・アンラーニングの表現レベル認定
• Authors: Zhenyu Yu, Yangchen Zeng, Chunlei Meng, Guangzhen Yao, Shuigeng Zhou,
• Abstract要約: 4つの相補的な診断を含む表現レベル監査フレームワークであるMirageを紹介する。 出力レベルの認証をパスするメソッドを忘れることは、その表現にかなりのクラス構造を保っていることを示す。 既存のメソッドは、高いユーティリティ、出力レベルの忘れ、表現レベルの忘れを同時に達成する。
• 参考スコア（独自算出の注目度）: 18.67763272227077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine unlearning in Vertical Federated Learning (VFL) has attracted growing interest, yet existing methods certify forgetting solely using output-level metrics. We challenge these claims by introducing Mirage, a representation-level auditing framework comprising four complementary diagnostics: Linear Probe Recovery (LPR), Centered Kernel Alignment (CKA), Feature Separability Scoring, and Layer-Wise Recovery Analysis. Through experiments across seven datasets and seven baseline methods following recent VFL unlearning protocols, Mirage reveals three key findings: (i) Forgetting gap: methods that pass output-level certification still retain substantial class structure in their representations, with LPR exceeding the retrained baseline by up to 15.4 points; CKA shows these models remain structurally closer to the original than to the retrained reference, while separability scores indicate persistent geometric discrimination. (ii) Unlearning trilemma: no existing method simultaneously achieves high utility, output-level forgetting, and representation-level forgetting. (iii) Class-sample asymmetry: class-level forgetting leaves strong representational traces (LPR up to 97%), whereas sample-level forgetting is indistinguishable from chance (LPR approx. 50%); layer-wise analysis further shows residual class information persists across network depths. These findings call for representation-aware evaluation standards in federated unlearning research.
• Abstract（参考訳）: Vertical Federated Learning (VFL)における機械学習の非学習は、ますます関心を集めている。 リニアプローブリカバリ(LPR)、センターカーネルアライメント(CKA)、特徴分離性スコアリング(Feature Separability Scoring)、レイヤワイズリカバリ分析(Layer-Wise Recovery Analysis)の4つの相補的診断を含む表現レベル監査フレームワークであるMirageを導入することで、これらの主張に挑戦する。 最近のVFLアンラーニングプロトコルに続く7つのデータセットと7つのベースラインメソッドの実験を通じて、Mirage氏は3つの重要な発見を明らかにした。 (i)ゲッティングギャップ:出力レベルの認証をパスするメソッドは、LPRがトレーニングされたベースラインを最大15.4ポイント超え、クラス構造を保っている。CKAは、これらのモデルがトレーニングされた参照よりも構造的に元のものに近く、分離性スコアは永続的な幾何学的識別を示していることを示している。 (ii) 未学習のトリレンマ: 既存の手法では,高実用性,出力レベルのリフレッシュ,表現レベルのリフレクションを同時に達成することができない。 3) クラス・サンプル非対称性: クラス・レベル・ドレッシングは強い表現的痕跡(LPRが最大97%)を残すが, サンプルレベル・ドレッシングは偶然(LPRが約50%)と区別できない。 これらの結果から,フェデレートされた未学習研究における表現認識評価基準が求められた。

関連論文リスト

• UniCVR: From Alignment to Reranking for Unified Zero-Shot Composed Visual Retrieval [87.12447641908143]
  組込みゼロショット合成ビジュアル検索フレームワークUniCVRを提案する。 UniCVRは、タスク固有の人間アノテーションのない3つのタスクすべてに共同で対処する。 ステージIでは,約3.5Mサンプルのキュレートされたデータセットに対して,コントラスト学習によりMLLMを合成クエリ埋め込み器として訓練する。 ステージIIでは,少数の上位候補に対して適応的予算付サブセットスコアを付与するMLLM誘導二重レベル再ランク機構を導入する。
  論文  参考訳（メタデータ） (2026-04-22T08:16:50Z)
• POUR: A Provably Optimal Method for Unlearning Representations via Neural Collapse [12.913395960667161]
  コンピュータビジョンでは、マシン・アンラーニングは、特定の視覚概念や訓練イメージの影響を、スクラッチからリトレーニングすることなく除去することを目的としている。 我々は,非学習の概念を表現レベルまで拡張し,有効性を忘れること,保持の忠実さ,クラス分離を3年間に分けて表現する。 CIFAR-10/100とPathMNISTの実験では、POURは保持された知識を維持しながら効果的なアンラーニングを達成し、分類レベルと表現レベルの両方で最先端のアンラーニング手法より優れていた。
  論文  参考訳（メタデータ） (2025-11-24T17:38:53Z)
• Improving Visual Discriminability of CLIP for Training-Free Open-Vocabulary Semantic Segmentation [20.30263242388691]
  LHT-CLIPは、レイヤ、ヘッド、トークンレベルのCLIPの視覚的識別性を活用する、トレーニング不要のフレームワークである。 さまざまなシナリオにまたがって最先端のパフォーマンスを実現し、実際のデプロイメントの有効性と実用性を強調している。
  論文  参考訳（メタデータ） (2025-10-27T22:05:08Z)
• One RL to See Them All: Visual Triple Unified Reinforcement Learning [92.90120580989839]
  V-Triuneは、視覚的推論と知覚タスクを1つのトレーニングパイプライン内で実現するビジュアルトリプル統一強化学習システムである。 V-Triuneは3つの補完的なコンポーネントで構成されている: Sample-Level Datashelf (多様なタスク入力を統一する)、Verifier-Level Reward (特殊検証を通じてカスタム報酬を提供する)。 本稿では,V-Triuneが処理する知覚タスクに対して適応的,進行的,明確なフィードバックを提供する,新しい動的IoU報酬を提案する。
  論文  参考訳（メタデータ） (2025-05-23T17:41:14Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Read Between the Layers: Leveraging Multi-Layer Representations for Rehearsal-Free Continual Learning with Pre-Trained Models [15.847302755988506]
  本研究では,非定常分布から連続的なタスク列を学習しなければならない連続学習問題に対処する。 プレトレーニングネットワークの複数の中間層からの2次特徴統計量を利用する,CL に対する新しいプロトタイプベースのアプローチである LayUP を提案する。 その結果、CLにおける事前学習モデルの表現能力を完全に消耗させることは、最終的な埋め込みをはるかに超えることを示した。
  論文  参考訳（メタデータ） (2023-12-13T13:11:44Z)
• DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
  この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。 このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。 LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-10-02T17:52:24Z)
• Learning Deep Representations via Contrastive Learning for Instance Retrieval [11.736450745549792]
  本稿では、インスタンス識別に基づくコントラスト学習(CL)を用いて、この問題に取り組むための最初の試みを行う。 本研究では、事前学習されたCLモデルと微調整されたCLモデルから識別表現を導出する能力を探求することにより、この問題に対処する。
  論文  参考訳（メタデータ） (2022-09-28T04:36:34Z)

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。