論文の概要: To forget is to preserve: Machine Unlearning for 3D medical image segmentation

• arxiv url: http://arxiv.org/abs/2606.16180v1
• Date: Mon, 15 Jun 2026 03:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.064378
• Title: To forget is to preserve: Machine Unlearning for 3D medical image segmentation
• Title（参考訳）: 3次元医用画像セグメンテーションのための機械学習
• Authors: Nitesh Kumar Singh, Akhilesh Singh, Arjun Arora,
• Abstract要約: MRBrainS18データセットに適用した近似的アンラーニング戦略について検討する。 それぞれの保持精度を2種類の被験者で評価した。 Noisy Labelの戦略は、忘れられたセットの93%を減少させ、50年代以降の保持セットの84%の精度を維持しながら、全体的なトレードオフで最高のものだった。
• 参考スコア（独自算出の注目度）: 1.0068173369769948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With new data privacy laws such as the General Data Protection Regulation (GDPR) [1] that allow individuals to ask that any of their personal information be erased from trained machine learning models, there has been a push to investigate the unlearning of data from models as a way to comply with these laws. In this regard, based on four mechanics, we consider several approximate unlearning strategies applied to the MRBrainS18 dataset [2]. We use a 3D ResNet-50 [3] as a backbone architecture for segmentation that has been pre-trained with the Med3D framework [4]. Considering the pre-trained model as a baseline, we evaluate respective retention accuracy on 2 types of subjects, i.e., retain and forget. We assess these approaches through their Dice similarity coefficient and mean absolute error (MAE) values using two separate training horizons 20 and 50 epochs. The results show that the Noisy Label strategy had the best overall trade-off with a decrease of 93% in the forget set while maintaining 84% accuracy for the retained set after 50 epochs. All other strategies showed extreme levels of forgetting at higher epoch numbers while also demonstrating catastrophic degradation of their retain set performance. The results of this study provide a strict baseline of performance metrics for unlearning on a subject-specific level and provide practitioners with clear criteria for selecting the proper strategies.
• Abstract（参考訳）: 一般データ保護規則(GDPR)[1]のような新しいデータプライバシ法により、個人はトレーニングされた機械学習モデルから個人情報を消去するよう要求することができる。 この観点から,MRBrainS18データセット [2] に適用した近似的アンラーニング戦略について考察する。 Med3Dフレームワークで事前トレーニングされたセグメンテーションのバックボーンアーキテクチャとして、3D ResNet-50[3]を使用します。 事前学習したモデルをベースラインとして,各保持精度を2種類の被験者,すなわち保持と忘れについて評価した。 2つの異なるトレーニング地平線20と50のエポックを用いて,Diceの類似度係数と平均絶対誤差(MAE)値を用いてこれらの手法を評価する。 その結果, ノイズラベル戦略は, 50年代以降の保持セットの84%の精度を維持しつつ, 忘れセットの93%の減少とともに, 全体的なトレードオフが最善であった。 他の全ての戦略は、高いエポック数で極度に忘れることを示し、また、その保持セット性能の破滅的な劣化を示した。 本研究は,教科レベルの未学習のパフォーマンス指標の厳格なベースラインを提供し,適切な戦略を選択するための明確な基準を実践者に提供する。

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)
• Rethinking Pulmonary Embolism Segmentation: A Study of Current Approaches and Challenges with an Open Weight Model [21.024556007374684]
  3Dモデルは、塞栓の形態的特徴から、この課題に特に適している。 CNNベースのモデルは一般的に、PEセグメンテーションにおけるVTベースのモデルよりも優れたパフォーマンスが得られる。 一方、タスクの複雑さと高品質なデータセットの不足のため、遠位塞栓は難しいままである。
  論文  参考訳（メタデータ） (2025-09-22T18:34:30Z)
• Bias-Aware Machine Unlearning: Towards Fairer Vision Models via Controllable Forgetting [3.1959623025848405]
  ディープニューラルネットワークはトレーニングデータに急激な相関関係に依存することが多く、医療や自動運転といった安全クリティカルな領域ではバイアスや不公平な予測が生じる。 機械学習の最近の進歩は、ポストホックモデルの修正に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-09-09T07:25:51Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• GDeR: Safeguarding Efficiency, Balancing, and Robustness via Prototypical Graph Pruning [44.401418612374286]
  トレーニング可能なプロトタイプを用いて,プロセス中のトレーニングを更新するための新しいソフトプルーニング手法であるGDeRを導入する。 GDeRは、トレーニングサンプルの30%削減で、完全なデータセットのパフォーマンスを達成または上回る。 また、不均衡なトレーニングやノイズの多いトレーニングシナリオにおいて、最先端のプルーニング手法よりも優れています。
  論文  参考訳（メタデータ） (2024-10-17T16:56:01Z)
• Decoupling the Class Label and the Target Concept in Machine Unlearning [81.69857244976123]
  機械学習の目的は、トレーニングデータの一部を除外した再トレーニングされたモデルを近似するために、トレーニングされたモデルを調整することだ。 過去の研究では、クラスワイド・アンラーニングが対象クラスの知識を忘れることに成功していることが示された。 我々は、TARget-aware Forgetting (TARF) という一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:53:30Z)
• Getting More Juice Out of Your Data: Hard Pair Refinement Enhances Visual-Language Models Without Extra Data [122.282521548393]
  コントラスト言語-画像事前学習 (CLIP) は, クロスモーダルな画像-テキスト表現学習の標準となっている。 HELIPは、CLIPモデルを改善するためのコスト効率のよい戦略であり、継続的なトレーニングにおいて既存のデータセット内の挑戦的なテキストイメージペアを利用することで、CLIPモデルを改善する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• Active Learning in Brain Tumor Segmentation with Uncertainty Sampling, Annotation Redundancy Restriction, and Data Initialization [17.3513750927719]
  深層学習モデルは、医療用3Dイメージングにおいて大きな可能性を示しているが、その開発は、高価な大量の注釈付きデータによって制限されている。 アクティブラーニング(AL)は、パフォーマンスを損なうことなく、最も情報性の高いデータサンプルのサブセットでモデルをトレーニングすることで、この問題に対処する。 我々は、異なるAL戦略を比較し、最先端のパフォーマンスに必要なデータ量を最小化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-05T04:45:08Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)

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。