論文の概要: DFMU: Data-Frugal Machine Unlearning

• arxiv url: http://arxiv.org/abs/2606.25410v1
• Date: Wed, 24 Jun 2026 05:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.230937
• Title: DFMU: Data-Frugal Machine Unlearning
• Title（参考訳）: DFMU:Data-Frugal Machine Unlearning
• Authors: Sajith U, Prateek Keserwani,
• Abstract要約: 本稿では,Restain-dataset精度の収束を高速化するために,計算要求の削減を支援するマシンアンラーニング手法を提案する。 提案手法であるDFMU(Data-Frugal Machine Unlearning)では,モデルの様々な計算ブロックの重要度を計算するために,1つの前方・後方パスしか必要としない。 実験では、様々な公開データセット上のSOTA法と比較して、データサンプルのわずか13%で40%の保持精度を実現している。
• 参考スコア（独自算出の注目度）: 3.1368611610608856
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine unlearning is an emerging domain that ensures the safe removal of elements (includes concepts, attributes, entity and class) from the trained model along with least drop in model performance. The domain of machine unlearning brings its own indigenous challenges since the removal of pre-trained elements from model will always degrade the model performance on remaining elements. The existing methods basically rely on retraining for removal of elements from the pre-trained model, which is compute extensive. In this work, we propose a machine unlearning method which helps to reduce the computational requirement for faster retain-dataset accuracy convergence which also does not require extensive retraining of the pre-trained model. The proposed method, Data-Frugal Machine Unlearning (DFMU) requires only a single forward and backward pass for computing the importance score of various computational blocks of a model. The importance score computation is based on knowledge preserving pruning which helps to converge faster and requires far less data as compared to the existing methods. Experimentally, it achieves 40% more retain-accuracy with just 13% of data samples in comparison with SOTA method on various public datasets and also averages 88% faster processing time for forgetting a given class.
• Abstract（参考訳）: 機械学習は、トレーニングされたモデルから要素(概念、属性、エンティティ、クラスを含む)を安全に除去し、最小限のモデルパフォーマンスを低下させる、新興ドメインである。 機械学習の領域は、モデルから事前訓練された要素を取り除くことで、残った要素のモデルパフォーマンスが劣化するので、独自の課題をもたらします。 既存の手法は基本的に、事前訓練されたモデルから要素を除去するための再訓練に依存しており、これは広範囲に計算されている。 本研究では,事前学習モデルの再学習を必要としない,高速な保持・データセット精度収束のための計算量の削減を支援するマシンアンラーニング手法を提案する。 提案手法であるDFMU(Data-Frugal Machine Unlearning)では,モデルの様々な計算ブロックの重要度を計算するために,1つの前方・後方パスしか必要としない。 スコアの計算は知識保存プルーニングに基づいており、より高速に収束し、既存の方法に比べてはるかに少ないデータを必要とする。 実験では、様々な公開データセット上のSOTA法と比較して、データサンプルのわずか13%で40%の保持精度を達成するとともに、与えられたクラスを忘れるための処理時間を平均88%高速化する。

関連論文リスト

• Machine Unlearning in Low-Dimensional Feature Subspace [47.517520054804976]
  マシン・アンラーニング(MU)は、訓練済みモデルから特定のデータの影響を取り除き、残りのデータのパフォーマンスを維持することを目的としている。 本研究では,低次元特徴部分空間にMUの新たな視点を提示し,残余と忘れるデータを分離する可能性をもたらす。 この分離性は、事前訓練されたモデルスキスルー主射影からLOW次元のFeaTure部分空間で学習を進める方法であるLOFTを動機付けている。
  論文  参考訳（メタデータ） (2026-01-30T01:58:38Z)
• Machine Unlearning on Pre-trained Models by Residual Feature Alignment Using LoRA [15.542668474378633]
  本稿では,事前学習モデルを用いた新しい機械学習手法を提案する。 LoRAを利用して、モデルの中間機能を事前訓練された特徴と残像に分解する。 本手法は,保持集合上のゼロ残差を学習し,未学習集合上でシフト残差を学習することを目的としている。
  論文  参考訳（メタデータ） (2024-11-13T08:56:35Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Machine Unlearning Method Based On Projection Residual [23.24026891609028]
  本稿ではニュートン法に基づく投射残差法を採用する。 主な目的は、線形回帰モデルとニューラルネットワークモデルという文脈で機械学習タスクを実装することである。 実験により, この手法は, モデル再学習に近いデータ削除において, より徹底的な手法であることが確認された。
  論文  参考訳（メタデータ） (2022-09-30T07:29:55Z)
• Machine Unlearning of Features and Labels [72.81914952849334]
  機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。 提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
  論文  参考訳（メタデータ） (2021-08-26T04:42:24Z)
• SSSE: Efficiently Erasing Samples from Trained Machine Learning Models [103.43466657962242]
  サンプル消去のための効率的かつ効率的なアルゴリズムSSSEを提案する。 ある場合、SSSEは、許可されたデータだけで新しいモデルをスクラッチからトレーニングする最適な、しかし実用的でない金の標準と同様に、サンプルをほぼ消去することができる。
  論文  参考訳（メタデータ） (2021-07-08T14:17:24Z)

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。