論文の概要: Auditing of Unlearning Algorithms

• arxiv url: http://arxiv.org/abs/2607.05898v1
• Date: Tue, 07 Jul 2026 06:51:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.4133
• Title: Auditing of Unlearning Algorithms
• Title（参考訳）: 未学習アルゴリズムの監査
• Abstract要約: 本研究では,非学習パラメータ$varepsilon$のデータ依存下界をメンバシップ推論攻撃を用いて計算する,実践的な監査手法を提案する。 モデルクリッピングやリウインド・トゥ・削除のような厳格な保証を持つアルゴリズムは、学習されていない保証を偽装しない、非常に小さな$varepsilon$バウンドを達成します。 CIFAR-100とシェークスピアのテキストを用いて,仮説検証フレームワークを用いて,未学習の主張を実証的に偽造する実用的なツールを提供する。
• 参考スコア（独自算出の注目度）: 28.787875302334058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating whether unlearning algorithms truly remove training data influence remains an open challenge. We propose a practical auditor that computes data-dependent lower bounds on the unlearning parameter $\varepsilon$ using membership inference attacks. Evaluating multiple unlearning algorithms, we find a sharp separation: algorithms with rigorous guarantees, such as model clipping and rewind-to-delete, achieve very small $\varepsilon$ bounds that do not falsify their unlearning guarantees, whereas empirical methods such as Hessian-based unlearning, interleaved ascent-descent, ascent on the forget set, and fine-tuning on the retain set exhibit large bounds, indicating poor unlearning. Our auditor provides a practical tool for empirically falsifying unlearning claims through a hypothesis-testing framework, and we validate it on CIFAR-100 and Shakespeare text.
• Abstract（参考訳）: アンラーニングアルゴリズムが本当にトレーニングデータの影響を除去するかどうかを評価することは、依然としてオープンな課題である。 本稿では,会員推論攻撃を用いて,未学習パラメータ$\varepsilon$でデータ依存の低境界を演算する実践的な監査手法を提案する。 複数のアンラーニングアルゴリズムを評価すると、厳密な保証付きアルゴリズム、例えばモデルクリップやリウインド・トゥ・デリー(rewind-to-delete)、非常に小さな$\varepsilon$バウンドを達成できる。 CIFAR-100とシェークスピアのテキストを用いて,仮説検証フレームワークを用いて,未学習の主張を実証的に偽造する実用的なツールを提供する。

関連論文リスト

• Auditing Machine Unlearning: A Systematic Research on Whether Models Truly Forget [25.03537230361785]
  本稿では,機械学習のための実践的,汎用的な監査フレームワークを提案する。 本フレームワークは,スクラッチベースラインの再トレーニングの必要性を排除し,既存のメソッドの限界に対処する。 我々のフレームワークは、偽の未学習の試みに対して堅牢であることを示し、大きな言語モデルによく当てはまることを示す。
  論文  参考訳（メタデータ） (2026-06-15T01:56:09Z)
• Unlearning That Lasts: Utility-Preserving, Robust, and Almost Irreversible Forgetting in LLMs [31.768387661474904]
  大規模言語モデル(LLM)におけるアンラーニングでは、事前訓練されたモデルから特定の情報を正確に除去する。 これは、事前訓練中に取得した個人データや有害な知識を削除することで、LLMの安全性を確保するために重要である。 JensUnを導入し、Jensen-Shannon Divergenceをセットを忘れたり、保持したりするためのトレーニングの目的として活用する。 大規模な実験では、JensUnは競合するメソッドよりも忘れやすいトレードオフを実現し、再学習に強いレジリエンスを示しています。
  論文  参考訳（メタデータ） (2025-09-02T20:38:53Z)
• Rewind-to-Delete: Certified Machine Unlearning for Nonconvex Functions [22.183624306817563]
  機械学習アルゴリズムは、スクラッチを使わずにモデルから効率的にデータを収集することを目的としている。 証明されたマシン・アンラーニングは 微分一般化に基づく 強力な理論上の保証だ
  論文  参考訳（メタデータ） (2024-09-15T15:58:08Z)
• Provable Optimization for Adversarial Fair Self-supervised Contrastive Learning [49.417414031031264]
  本稿では,自己教師型学習環境におけるフェアエンコーダの学習について検討する。 すべてのデータはラベル付けされておらず、そのごく一部だけが機密属性で注釈付けされている。
  論文  参考訳（メタデータ） (2024-06-09T08:11:12Z)
• 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)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
  オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。 本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:07:15Z)
• Forget Unlearning: Towards True Data-Deletion in Machine Learning [18.656957502454592]
  アンラーニングはデータ削除と同等ではなく、「忘れられる権利」を保証していないことを示す。 本稿では,オンライン環境での精度,計算効率,セキュアなデータ削除機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-17T10:06:11Z)
• Algorithms that Approximate Data Removal: New Results and Limitations [2.6905021039717987]
  本研究では,経験的リスク最小化を用いて学習した機械学習モデルからユーザデータを削除することの問題点について検討する。 計算とメモリ効率を両立させるオンラインアンラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-09-25T17:20:33Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Provably Robust Metric Learning [98.50580215125142]
  既存のメトリクス学習アルゴリズムは、ユークリッド距離よりもロバストなメトリクスをもたらすことを示す。 対向摂動に対して頑健なマハラノビス距離を求めるための新しい距離学習アルゴリズムを提案する。 実験結果から,提案アルゴリズムは証明済みの堅牢な誤りと経験的堅牢な誤りの両方を改善した。
  論文  参考訳（メタデータ） (2020-06-12T09:17:08Z)

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。