論文の概要: Obliviate: Efficient Unlearning in Recommender Systems

• arxiv url: http://arxiv.org/abs/2607.22665v1
• Date: Tue, 30 Jun 2026 05:52:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.014831
• Title: Obliviate: Efficient Unlearning in Recommender Systems
• Title（参考訳）: Obliviate: レコメンダシステムにおける効率的なアンラーニング
• Abstract要約: Obliviateは、レコメンデータシステムのための効率的な2段階のアンラーニングフレームワークである。 優れたユーティリティを維持しながら、高い未学習の完全性を達成する。 これは大規模レコメンデーションシステムのための実用的でスケーラブルなソリューションである。
• 参考スコア（独自算出の注目度）: 3.725417596576278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine unlearning is becoming increasingly critical in the context of data privacy regulations, particularly for recommendation systems that are directly trained on user interaction data. The goal of this work is to remove requested interaction data and their downstream influence from trained model while preserving recommendation quality, and to do so without incurring the substantial computational cost of full retraining. Existing approaches exhibit several limitations, including limited unlearning completeness and degradation in recommendation performance, while having substantial computational overhead. In this paper, we propose Obliviate, an efficient two-stage unlearning framework for recommender systems that achieves high unlearning completeness while maintaining good utility. In the first stage, we introduce a Low-Rank Unlearning Adapter (LUA), which employs a lightweight Hessian proxy to enable curvature-aware and efficient unlearning through localized low-rank adapters rather than full parameters. In the second stage, we propose Locality-Aware Calibration (LAC), a lightweight refinement stage that updates only the adapter parameters to improve the performance by enforcing unlearning via ranking-based objectives while preserving utility through knowledge distillation. Extensive empirical evaluations demonstrate that Obliviate achieves high level of forgetting with minimal loss in recommendation quality and at significantly reduced computational cost, offering a practical and scalable solution for large-scale recommender systems.
• Abstract（参考訳）: マシンラーニングは、データプライバシ規制の文脈、特にユーザインタラクションデータを直接トレーニングしたレコメンデーションシステムにおいて、ますます重要になっています。 本研究の目的は、推奨品質を維持しつつ、要求された相互作用データとその下流の影響を訓練されたモデルから取り除き、完全な再訓練のかなりの計算コストを伴わずに行うことである。 既存のアプローチには、未学習の完全性とレコメンデーションパフォーマンスの低下など、いくつかの制限がある。 本稿では、優れたユーティリティを維持しつつ、高い未学習完全性を達成するレコメンデータシステムのための効率的な2段階アンラーニングフレームワークであるObliviateを提案する。 最初の段階では、軽量なHessianプロキシを使用して、フルパラメータではなくローランクアダプタによる曲率認識と効率的なアンラーニングを可能にするLow-Rank Unlearning Adapter (LUA)を導入する。 第2段階では, 適応パラメータのみを更新して, 知識蒸留による実用性を維持しつつ, ランキングベースの目的を通したアンラーニングを行ない, 性能を向上させる軽量な改良段階であるLocality-Aware Calibration (LAC) を提案する。 大規模な実証実験により、Obliviateは推奨品質の損失を最小限に抑え、計算コストを大幅に削減し、大規模レコメンデータシステムに実用的でスケーラブルなソリューションを提供する。

関連論文リスト

• ERASE -- A Real-World Aligned Benchmark for Unlearning in Recommender Systems [53.62904488040001]
  提案するERASEは,推薦システムにおける機械学習のための大規模ベンチマークである。 ERASEは、コラボレーティブフィルタリング、セッションベースレコメンデーション、次世代レコメンデーションの3つのコアタスクにまたがる。 これには、センシティブなインタラクションやスパムを逐次削除するなど、現実世界のアプリケーションにインスパイアされた未学習シナリオが含まれている。
  論文  参考訳（メタデータ） (2026-03-09T13:00:23Z)
• AdaSwitch: Adaptive Switching Generation for Knowledge Distillation [58.647880811071495]
  スモール言語モデル(SLM)は、厳密な待ち時間と計算制約のあるアプリケーションには不可欠である。 トークンレベルでのオン・ポリティクスとオフ・ポリティクス・ジェネレーションを組み合わせた新しいアプローチであるAdaSwitchを提案する。 AdaSwitchは一貫して精度を向上し、SLMを蒸留するための実用的で効果的な方法を提供し、追加のオーバーヘッドを許容する。
  論文  参考訳（メタデータ） (2025-10-09T06:38:37Z)
• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems [49.766845975588275]
  推薦システムにおける非学習のためのより現実的なベンチマークの開発を導くために,設計デシダータと研究質問のセットを提案する。 我々は、現実世界の削除要求の逐次的で時間に敏感な性質を反映した、未学習のセットアップについて論じる。 本稿では,提案したdesiderataをベースとした次世代レコメンデーションセッティングの予備実験を行い,アンラーニングが逐次レコメンデーションモデルにも有効であることを確認した。
  論文  参考訳（メタデータ） (2025-08-23T16:05:40Z)
• Curriculum Approximate Unlearning for Session-based Recommendation [56.86137487298901]
  セッションベースレコメンデーションのための近似アンラーニング(英: Approximate unlearning)とは、特定のトレーニングサンプルの影響をリトレーニングせずにレコメンダから排除することを指す。 グラディエント・アセント(GA)は、近似的アンラーニングを行うための代表的な方法である。 本稿では,セッションベースの推薦に適合した教育用アンラーニングフレームワークであるCAUを紹介する。
  論文  参考訳（メタデータ） (2025-08-21T05:52:28Z)
• UniErase: Towards Balanced and Precise Unlearning in Language Models [69.04923022755547]
  大規模言語モデル(LLM)は、古い情報問題に対処するために反復的な更新を必要とする。 UniEraseは、知識の未学習と能力保持の間の精度とバランスの取れたパフォーマンスを示す、新しいアンラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-05-21T15:53:28Z)
• Towards Robust and Parameter-Efficient Knowledge Unlearning for LLMs [25.91643745340183]
  大規模言語モデル(LLM)は、大量のテキストコーパスの事前学習を通じて、強い推論と記憶能力を示す。 これはプライバシーと著作権侵害のリスクを生じさせ、効率的な機械学習手法の必要性を強調している。 LLMの堅牢かつ効率的なアンラーニングを可能にする新しいフレームワークであるLoKUを提案する。
  論文  参考訳（メタデータ） (2024-08-13T04:18:32Z)
• Machine Unlearning with Minimal Gradient Dependence for High Unlearning Ratios [18.73206066109299]
  ミニ・アンラーニング(Mini-Unlearning)は、批判的な観察を活かした新しいアプローチである。 この軽量でスケーラブルな方法は、モデルの精度を大幅に向上し、メンバシップ推論攻撃に対する耐性を高める。 実験の結果,Mini-Unlearningは非学習率が高いだけでなく,既存の手法よりも精度と安全性が優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-24T01:43:30Z)
• Post-Training Attribute Unlearning in Recommender Systems [37.67195112898097]
  既存の研究では、主にトレーニングデータ、すなわちモデル入力を未学習のターゲットとして使用している。 我々は、この未知の情報をtextitattribute と呼び、未学習のターゲットとして扱う。 ユーザのセンシティブな属性を保護するために、Attribute Unlearning(AU)は、ターゲット属性を識別不能にする。
  論文  参考訳（メタデータ） (2024-03-11T14:02:24Z)
• Adaptive Dense-to-Sparse Paradigm for Pruning Online Recommendation System with Non-Stationary Data [13.080986170257782]
  プルーニングは、モデル推論のメモリと計算要求の両方を削減する効果的な手法である。 本研究では,非定常データ分散を伴う大規模レコメンデーションシステムにおいて,新しいプルーニングアルゴリズムを備えた適応的高密度・スパースパラダイムを提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:33:14Z)

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。