論文の概要: Approximate Machine Unlearning through Manifold Representation Forgetting Guided by Self Mode Connectivity

• arxiv url: http://arxiv.org/abs/2605.22871v1
• Date: Wed, 20 May 2026 01:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.010523
• Title: Approximate Machine Unlearning through Manifold Representation Forgetting Guided by Self Mode Connectivity
• Title（参考訳）: 自己モード接続性に基づくマニフォールド表現による近似機械の学習
• Authors: Weiqi Wang, Zhiyi Tian, Chenhan Zhang, Luoyu Chen, Shui Yu,
• Abstract要約: マシン・アンラーニングは忘れられる権利を強制する。 ManiF-SMCは、多様体表現に基づく未学習問題に取り組む。 これは最先端の近似手法に匹敵する未学習を実現する。
• 参考スコア（独自算出の注目度）: 27.485504993716884
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine unlearning is a fundamental mechanism that enforces the right to be forgotten. Existing unlearning studies that rely on label manipulation or task-gradient reversal often deliver limited unlearning effectiveness. Moreover, they can undermine the original learning objective and typically do not guarantee equivalence to standard unlearning by retraining. In this paper, we propose \textbf{ManiF-SMC} (\textbf{Mani}fold \textbf{F}orgetting with \textbf{S}elf \textbf{M}ode \textbf{C}onnectivity), motivated by the observation that a model retrained on the remaining data tends to classify erased samples by their semantic similarity to the retained data. We begin with systematically recasting the approximate unlearning as pushing each erased sample away from its original learned manifold representation centroid toward its nearest semantic neighbors in the retained data. This reformulation aligns unlearning with retraining behavior and operates purely in representation space, reducing reliance on labels and task-specific gradients. To tackle the manifold representation-based unlearning problem, ManiF-SMC encapsulates the unlearning and representation preservation goals in a margin-based triplet loss. Because finding a suitable margin for unlearning is challenging, we propose a self-mode-connectivity module that rapidly reconstructs the local manifold to guide the adaptive margins generation for each unlearning case. Extensive experiments on four representative datasets show that ManiF-SMC achieves unlearning effectiveness comparable to state-of-the-art approximate methods while operating solely within the model's representation space.
• Abstract（参考訳）: 機械学習は、忘れられる権利を強制する基本的なメカニズムである。 ラベル操作やタスク・グラディエント・リバーサルに依存する既存の未学習の研究は、しばしば限られた未学習の有効性をもたらす。 さらに、彼らは本来の学習目標を損なうことができ、通常、再訓練によって標準的アンラーニングと等価性を保証しない。 本稿では,残ったデータで再トレーニングされたモデルが,保持データと意味的類似性によって消去されたサンプルを分類する傾向にあるという観察から動機付けられた, \textbf{ManiF-SMC} (\textbf{Mani}fold \textbf{F}orgetting with \textbf{S}elf \textbf{M}ode \textbf{C}onnectivity)を提案する。 まず,消去された各サンプルを元の学習多様体表現であるセントロイドから最も近いセマンティックな隣人へプッシュすることで,近似的アンラーニングを体系的に再キャストすることから始める。 この改革は、未学習と再学習の行動とを一致させ、純粋に表現空間で機能し、ラベルやタスク固有の勾配への依存を減らす。 多様体表現に基づく未学習問題に対処するために、ManiF-SMCは、未学習および表現保存目標をマージンベースの三重項損失でカプセル化する。 非学習に適したマージンを見つけることは困難であるため、局所多様体を高速に再構築し、各未学習ケースの適応マージン生成をガイドする自己モード接続モジュールを提案する。 4つの代表的なデータセットに対する大規模な実験により、ManiF-SMCはモデルの表現空間内でのみ動作しながら、最先端の近似手法に匹敵する未学習の有効性を達成する。

関連論文リスト

• Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
  エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。 本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
  論文  参考訳（メタデータ） (2026-05-06T10:03:06Z)
• An Illusion of Unlearning? Assessing Machine Unlearning Through Internal Representations [16.917151304941967]
  最終層の特徴と分類器のミスアライメントが主な原因で,最先端の非学習手法が成功していることを示す。 隠れた特徴は相変わらず差別的であり、単純な線形探索は、ほぼ原産地の精度を回復することができる。
  論文  参考訳（メタデータ） (2026-04-09T14:02:23Z)
• Erase at the Core: Representation Unlearning for Machine Unlearning [11.77697706755224]
  Erase at the Core (EC)は、ネットワーク階層全体の忘れを強制するように設計されたフレームワークである。 ECは、深い教師付き学習を通じて、リザーブセット上の対照的なアンラーニングを、保持セットの保存と統合する。 ECはモデルに依存しず、既存の未学習メソッドにプラグインモジュールとして組み込むことができる。
  論文  参考訳（メタデータ） (2026-02-05T06:54:44Z)
• 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)
• CoUn: Empowering Machine Unlearning via Contrastive Learning [12.677444111986707]
  CoUnは、保持データのみを使用してスクラッチから再トレーニングされたモデルが、保持データとのセマンティックな類似性に基づいて、忘れデータを分類する、という観察にインスパイアされた、新しいMUフレームワークである。 CoUnは、学習したデータ表現をコントラスト学習(CL)と教師付き学習によって調整し、データを保持するためにのみ適用することで、この振る舞いをエミュレートする。
  論文  参考訳（メタデータ） (2025-09-19T20:12:49Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• An Information Theoretic Approach to Machine Unlearning [43.423418819707784]
  AIやデータ規則に従うためには、トレーニングされた機械学習モデルからプライベートまたは著作権のある情報を忘れる必要性がますます高まっている。 この研究では、ゼロショットのアンラーニングシナリオに対処し、未学習のアルゴリズムは、トレーニングされたモデルと忘れられるデータだけが与えられたデータを削除できなければならない。 モデルの幾何に基づいて、単純だが原則化されたゼロショットアンラーニング法を導出する。
  論文  参考訳（メタデータ） (2024-02-02T13:33:30Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)
• MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
  本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。 玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
  論文  参考訳（メタデータ） (2020-06-18T07:38:54Z)

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。