論文の概要: PPE-Bench: A Benchmark for Evaluating MLLM Unlearning under Private-Public Entanglement

• arxiv url: http://arxiv.org/abs/2607.02897v1
• Date: Fri, 03 Jul 2026 02:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.449703
• Title: PPE-Bench: A Benchmark for Evaluating MLLM Unlearning under Private-Public Entanglement
• Title（参考訳）: PPE-Bench: プライベート・パブリック・エンタングルメント下でのMLLMアンラーニング評価ベンチマーク
• Authors: Xianren Zhang, Delvin Ce Zhang, Dongwon Lee, Suhang Wang,
• Abstract要約: PPE-Benchは,MLLMアンラーニングを公的な絡み合いの下で評価するための新しいベンチマークである。 未学習時の公開情報をよりよく保存するための2つの簡易かつ効果的な方法を紹介した。
• 参考スコア（独自算出の注目度）: 35.762477302489
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multimodal Large Language Models (MLLMs) have shown strong capabilities, but they may memorize private information from web data, raising privacy concerns. Machine unlearning offers a way to remove such private knowledge without retraining from scratch. However, existing MLLM unlearning benchmarks have two major limitations. First, they rely on simplified images that contain only the single target individual, failing to reflect the visual complexity of real-world photos. Second, they typically assume that the forget set and retain set are fully separated, ignoring the fact that private information is often visually entangled with benign public information. For example, a private individual may appear with a public figure or in front of a well-known landmark, where unlearning the private target should not damage the public context. To address these limitations, we propose PPE-Bench, a new benchmark for evaluating MLLM unlearning under private-public entanglement. Each image contains a target individual to be forgotten and public information to be preserved, including public figure and landmark. We further introduce two simple but effective methods to better preserve public information during unlearning. Through experiments, we find that existing unlearning methods can reduce private information leakage, but often substantially harm adjacent public information.
• Abstract（参考訳）: MLLM(Multimodal Large Language Models)は強力な機能を示すが、Webデータからプライベート情報を記憶し、プライバシーの懸念を喚起する可能性がある。 機械学習は、そのようなプライベートな知識をゼロから再訓練することなく取り除く方法を提供する。 しかし、既存のMLLMアンラーニングベンチマークには2つの大きな制限がある。 まず、単一のターゲットだけを含む単純化された画像に頼り、現実世界の写真の視覚的複雑さを反映しない。 第二に、彼らは一般的に、忘れられた集合と保持集合が完全に分離されていると仮定し、私的情報がしばしば良心的な公開情報と視覚的に絡み合っているという事実を無視している。 例えば、個人が公共の人物と一緒に現れるか、よく知られたランドマークの前に現れることがある。 これらの制約に対処するため,PPE-Benchを提案する。 各画像には、忘れられる対象の個人と、保存される公開情報、パブリックフィギュアやランドマークが含まれている。 さらに、未学習時の公開情報をよりよく保存するための2つの簡易かつ効果的な方法を紹介した。 実験により,既存のアンラーニング手法は個人の情報漏洩を低減できるが,隣接した公開情報に悪影響を及ぼすことがしばしばあることがわかった。

関連論文リスト

• Profiling for Pennies: Unveiling the Privacy Iceberg of LLM Agents [52.02752011119451]
  我々は人間の意識のレンズを通して現実世界におけるプライバシーの認識を調査する。 我々は、現実世界の人間のプライバシーリスクを3段階に分類するPrivacyIcebergを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:21:44Z)
• When Privacy Meets Recovery: The Overlooked Half of Surrogate-Driven Privacy Preservation for MLLM Editing [61.80513991207956]
  この研究は、さまざまなMLLMシナリオでサロゲート駆動の保護されたデータを復元する方法の課題に焦点を当てている。 私たちはまず、SPPE(Surrogate Privacy Protected Editable)データセットの提供によって、この研究ギャップを埋めます。 MLLM生成編集の忠実さを保ちながら、プライベートコンテンツを確実に再構築する統一的な手法を提案する。
  論文  参考訳（メタデータ） (2025-12-08T04:59:03Z)
• Learning to Refuse: Towards Mitigating Privacy Risks in LLMs [6.685921135304385]
  大規模言語モデル(LLM)は、自然言語の理解と生成において顕著な能力を示す。 本研究は、LLMが完全再トレーニングを必要とせず、特定の個人のプライベートデータを保護できることの課題に対処する。 プライバシ保護のためのネーム・アウェア・アンラーニング・フレームワーク(NAUF)を導入する。
  論文  参考訳（メタデータ） (2024-07-14T03:05:53Z)
• PrivLM-Bench: A Multi-level Privacy Evaluation Benchmark for Language Models [42.20437015301152]
  言語モデル(LM)のプライバシー漏洩を評価するベンチマークであるPrivLM-Benchを提案する。 DPパラメータのみを報告するのではなく、PrivLM-Benchは実際の使用中に無視された推論データのプライバシに光を当てる。 メインストリームLMのためのGLUEの3つのデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-11-07T14:55:52Z)
• Privacy Preserving Large Language Models: ChatGPT Case Study Based Vision and Framework [6.828884629694705]
  本稿では,LLMのプライバシ生成モデルであるPrivChatGPTという概念モデルを提案する。 PrivChatGPTは、データキュレーション/前処理中にユーザのプライバシを保護し、プライベートコンテキストの保存と大規模データのプライベートトレーニングプロセスという2つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-10-19T06:55:13Z)
• Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
  大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。 Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。 公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
  論文  参考訳（メタデータ） (2022-12-13T10:41:12Z)
• On the Privacy Effect of Data Enhancement via the Lens of Memorization [20.63044895680223]
  我々は,記憶化という新たな視点からプライバシを調査することを提案する。 記憶のレンズを通して、以前デプロイされたMIAは、より高いプライバシーリスクを持つサンプルを特定する可能性が低いため、誤解を招く結果をもたらすことがわかった。 一般化ギャップとプライバシリークは, これまでの結果に比べて相関が低いことを示す。
  論文  参考訳（メタデータ） (2022-08-17T13:02:17Z)

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。