論文の概要: Erasing Without Collateral Damage: Precise Concept Removal in Diffusion Models

• arxiv url: http://arxiv.org/abs/2607.05274v1
• Date: Mon, 06 Jul 2026 16:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.237735
• Title: Erasing Without Collateral Damage: Precise Concept Removal in Diffusion Models
• Title（参考訳）: 側方損傷のない消去:拡散モデルにおける精密概念除去
• Abstract要約: トレーニング不要の概念消去は、テキスト間拡散モデルを制御するための魅力的なメカニズムである。 しかし、正確な消去は、しばしば意味論的に関連する非ターゲット概念を損なうコストがかかる。 原ターゲット方向を宇宙空間に意識した方向で置き換えるクローズドフォームの概念消去演算子であるCAREを紹介する。
• 参考スコア（独自算出の注目度）: 10.269961654607108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training-free concept erasure is an attractive mechanism for controlling text-to-image diffusion models, but precise erasure often comes at the cost of damaging semantically related non-target concepts. Existing value-space methods remove the component of each cross-attention value along the target concept direction, implicitly treating target identity and shared visual structure as the same signal. We argue that this is the source of much of the collateral damage in prior preservation. We introduce CARE, a closed-form concept erasure operator that replaces the raw target direction with a kept-subspace-aware direction computed from a small bank of retained concept anchors. The resulting edit is applied directly in cross-attention value space, requires no model fine-tuning, and adds only a negligible offline computation. A single shrinkage parameter controls the erase-preserve trade-off. We further show that the operator admits a minimum-disturbance interpretation and, in its projection form, leaves the kept subspace invariant. Experiments under the standard concept-erasure protocol show that our method preserves non-target concepts more faithfully while maintaining competitive erasure across instance, style, and celebrity concepts. Code: https://github.com/parthupman/care
• Abstract（参考訳）: トレーニング不要の概念消去はテキストから画像への拡散モデルを制御するための魅力的なメカニズムであるが、正確な消去は意味論的に関係のない概念を損なうコストがかかる。 既存の値空間法では、目標概念方向に沿って各横断的値の成分を除去し、ターゲットのアイデンティティと共有視覚構造を同じ信号として暗黙的に扱う。 本研究は, 保存前における側方損傷の源泉であると主張している。 本稿では, 原ターゲット方向を, 保持されたコンセプトアンカーの小さなバンクから計算した部分空間認識方向に置き換える, クローズドフォームの概念消去演算子CAREを紹介する。 結果の編集は、クロスアテンション値空間で直接適用され、モデル微調整を必要とせず、無視できるオフライン計算のみを追加する。 単一の縮小パラメータが消去保存トレードオフを制御する。 さらに、作用素が最小分散解釈を認め、その射影形式において、保持された部分空間は不変であることを示す。 標準概念消去プロトコルによる実験により,本手法は,事例,スタイル,有名概念の競争的消去を維持しつつ,目標外の概念をより忠実に保存することを示す。 コード:https://github.com/parthupman/care

関連論文リスト

• EraseSAE: Surgical Concept Erasure in Text-to-Video Diffusion Models via Sparse Autoencoders [103.46709005379591]
  概念消去は、事前訓練されたモデルから不要なセマンティクスを取り除くことによって、原則化された救済を提供する。 既存のアプローチは一般に粗い品質で動作し、概念表現の微細で分散した性質と不一致である。 外科的概念の消去を実現するためにスパースオートエンコーダを利用する新しいフレームワークであるEraseSAEを提案する。
  論文  参考訳（メタデータ） (2026-09-03T10:23:37Z)
• To Erase, or Not to Erase: Robust Training-Free Concept Erasure with Preservation aware Adaptive Ranked Subspace Expansion [10.950549540413528]
  概念消去技術は、テキストから画像への拡散モデルを編集し、NSFWコンテンツや著作権のあるスタイルのような望ましくないターゲットを消去する。 現在のCETは、消去とユーティリティのトレードオフに直面している。 本稿では,潜在拡散モデルにおけるロバストな概念消去のためのトレーニングフリーフレームワークであるParservation-Aware Adaptive Ranked Subspace Expansion (PARSE)を提案する。
  論文  参考訳（メタデータ） (2026-07-26T06:35:31Z)
• Uni-AdaVD: Universal Concept Erasure for Visual Generation via Orthogonal Value Decomposition [62.947473058878565]
  視覚生成のための普遍的推論時概念消去フレームワークUni-AdaVDを提案する。 この結果から,Uni-AdaVDは現代の視覚生成モデルに対して,効率的かつ適応的な安全機構を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-16T03:16:51Z)
• Concept Unlearning via Cross-Attention Activation Projection for Diffusion Models [6.701045531467819]
  概念アンラーニングは、事前訓練されたテキスト-画像拡散モデルからターゲット概念を再トレーニングせずに消去することを目的としている。 既存のクローズドフォームメソッドは、テキストエンコーダの応答を通じてターゲット概念を表現する。 本稿では,層間相互アテンションアクティベーションからベースを隠蔽・保持するクローズドフォーム手法PUREを提案する。
  論文  参考訳（メタデータ） (2026-05-25T12:18:47Z)
• Neighbor-Aware Localized Concept Erasure in Text-to-Image Diffusion Models [11.53473951431438]
  テキストから画像への拡散モデルにおける概念消去は、全体的な生成能力を保ちながら望ましくない概念を除去しようとする。 本研究では,NLCE(Neighbor-Aware Localized Concept Erasure)を提案する。
  論文  参考訳（メタデータ） (2026-03-27T00:58:11Z)
• Differential Vector Erasure: Unified Training-Free Concept Erasure for Flow Matching Models [49.10620605347065]
  本研究では,フローマッチングモデルに特化して設計されたトレーニング不要な概念消去手法である差分ベクトル消去(DVE)を提案する。 我々の重要な洞察は、意味論的概念は生成フローを管理する速度場の方向構造に暗黙的に符号化されていることである。 推論中、DVEは速度場を微分方向に投影することで概念固有の成分を選択的に除去し、無関係な意味論に影響を与えることなく正確な概念抑圧を可能にする。
  論文  参考訳（メタデータ） (2026-02-01T08:05:45Z)
• Preserving Task-Relevant Information Under Linear Concept Removal [19.953631890863498]
  SPLICEは、ターゲットラベルとの共分散を維持しながら、表現からセンシティブな概念を排除します。 これは線形の概念予測可能性を取り除き、最小の埋め込み歪みで目標共分散を維持するユニークな解である。 実証的には、SPLICEはBias in BiosやWinobiasなどのベンチマークでベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T13:53:29Z)
• SAGE: Exploring the Boundaries of Unsafe Concept Domain with Semantic-Augment Erasing [65.82241040239452]
  望ましくない概念に微妙な重みを消去する概念。 既存の方法は、安全でない概念を固定語として扱い、繰り返し消去する。 本稿では,概念語消去を概念ドメイン消去に変換する意味拡張消去について紹介する。
  論文  参考訳（メタデータ） (2025-06-11T03:21:24Z)
• CURE: Concept Unlearning via Orthogonal Representation Editing in Diffusion Models [7.68494752148263]
  CUREは、事前訓練された拡散モデルの重み空間で直接動作する、トレーニング不要の概念未学習フレームワークである。 スペクトル消去器は、安全な属性を保持しながら、望ましくない概念に特有の特徴を特定し、分離する。 CUREは、対象とする芸術スタイル、オブジェクト、アイデンティティ、明示的なコンテンツに対して、より効率的で徹底的な除去を実現する。
  論文  参考訳（メタデータ） (2025-05-19T03:53:06Z)
• Concept Replacer: Replacing Sensitive Concepts in Diffusion Models via Precision Localization [48.20360860166279]
  大規模な拡散モデルは高品質な画像を生成するが、しばしば性的に明示的なコンテンツや暴力的なコンテンツのような望ましくないコンテンツを生成する。 本研究では,非対象領域に影響を及ぼすことなく,特定の概念を除去することが可能な拡散モデルにおいて,対象概念を置き換えるための新しい手法を提案する。 本手法では,最小限のラベル付きデータを必要とする数発の学習で学習し,目標概念を正確に識別する専用概念ローカライザを提案する。 特定領域内では,DPCA(Dual Prompts Cross-Attention)モジュールが導入された。
  論文  参考訳（メタデータ） (2024-12-02T08:05:39Z)
• Reliable and Efficient Concept Erasure of Text-to-Image Diffusion Models [76.39651111467832]
  本稿では,Reliable and Efficient Concept Erasure (RECE)を提案する。 派生した埋め込みによって表現される不適切なコンテンツを緩和するために、RECEはそれらをクロスアテンション層における無害な概念と整合させる。 新たな表現埋め込みの導出と消去を反復的に行い、不適切な概念の徹底的な消去を実現する。
  論文  参考訳（メタデータ） (2024-07-17T08:04:28Z)
• LEACE: Perfect linear concept erasure in closed form [97.78661458934953]
  概念消去は、埋め込みから特定の機能を削除することを目的としている。 LEAst-squares Concept Erasure (LEACE) は、すべての線形分類器が可能な限り少ない埋め込みで概念を検出することを確実に防止する閉形式手法である。 LEACEを"concept scrubbing"と呼ばれる新しい手法で大規模言語モデルに適用し、ネットワーク内の各層からターゲット概念情報を消去する。
  論文  参考訳（メタデータ） (2023-06-06T16:07:24Z)

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。