Fugu-MT 論文翻訳(概要): DECAF: De-Clustering for Adaptive Representational Unlearning

論文の概要: DECAF: De-Clustering for Adaptive Representational Unlearning

arxiv url: http://arxiv.org/abs/2607.23934v1
Date: Mon, 27 Jul 2026 02:11:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.28602
Title: DECAF: De-Clustering for Adaptive Representational Unlearning
Title（参考訳）: DECAF: 適応型表現型アンラーニングのためのデクラスタリング
Abstract要約: 本稿では,DeCAF(De-Clustering for Adaptive Forgetting)を提案する。 ResNet-18を搭載したCIFAR-10では、DECAFは0.10%の精度で、79.4%は精度を維持し、AUSは0.88で、他の全てのベースラインを上回っている。
参考スコア（独自算出の注目度）: 13.298390892944221
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine unlearning, which aims to remove the influence of specific training data from a trained model, is a key requirement for privacy, accountability, and adaptive deployment. We argue that many unlearning methods are vulnerable to a simple clustering attack, which can recover class structure in an unsupervised manner, limiting their suitability for continual deployment where removal requests must be handled reliably on demand. To address this, we propose DECAF (DE-Clustering for Adaptive Forgetting), a post-hoc method that operates only on the forget set and is designed to break the cluster. DECAF combines input noise, confidence suppression, and entropy-based output diversification to disrupt the residual feature-space structure associated with forgotten data. On CIFAR-10 with ResNet-18, DECAF attains 0.10% forget-class accuracy, 79.4% retain accuracy, and an AUS of 0.88, surpassing all other baselines. In cluster-based analysis, it attains performance comparable to that of unlearning methods that use the full training set, while being significantly more efficient. Code: https://github.com/ale256/representation_unlearning.
Abstract（参考訳）: トレーニングされたモデルから特定のトレーニングデータの影響を取り除くことを目的とした機械学習は、プライバシ、説明責任、適応デプロイメントのための重要な要件である。多くのアンラーニング手法は、単純なクラスタリング攻撃に弱いため、教師なしの方法でクラス構造を復元でき、削除要求が要求に応じて確実に処理されなければならない継続的デプロイメントに適していると論じる。そこで本研究では,DeCAF(De-Clustering for Adaptive Forgetting)を提案する。 DECAFは入力ノイズ、信頼抑制、エントロピーに基づく出力の多様化を組み合わせ、忘れられたデータに関連する残像空間構造を乱す。 ResNet-18を搭載したCIFAR-10では、DECAFは0.10%の精度で、79.4%は精度を維持し、AUSは0.88で、他の全てのベースラインを上回っている。クラスタベースの分析では、完全なトレーニングセットを使用するアンラーニングメソッドに匹敵するパフォーマンスを得ると同時に、はるかに効率的である。コード:https://github.com/ale256/representation_unlearning。

関連論文リスト

Correlation-Guided Fast Machine Unlearning via Hessian Analysis [15.622259863184295]
既存の未学習技術では、各データポイント削除に高価なヘッセン-逆ベクトル計算を繰り返す必要がある。我々は,学習セット内の相関データ点を同定し,理論的に導出された閉形式パラメータ更新ルールを適用する,計算効率のよい未学習フレームワークを提案する。提案手法は理論的な保証を確立し,ヘッセン減衰による数値安定性を確保する。
論文参考訳（メタデータ） (2026-09-11T09:21:30Z)
Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
論文参考訳（メタデータ） (2026-05-06T10:03:06Z)
FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning [2.750124853532831]
ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。我々のフレームワークは、平均精度と性能の安定性の観点から、常に最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2026-04-21T17:51:58Z)
Bridging VLMs and Embodied Intelligence with Deliberate Practice Policy Optimization [72.20212909644017]
Deliberate Practice Policy Optimization (DPPO) はメタ認知型メタループのトレーニングフレームワークである。 DPPOは教師付き微調整(能力拡張)と強化学習(技能向上)の交互に行う実証的には、DPPO(Pelican-VL 1.0)で視覚言語を具現化したモデルをトレーニングすると、ベースモデルよりも20.3%パフォーマンスが向上する。私たちはモデルとコードをオープンソースにして、データとリソースのボトルネックを軽減する最初の体系的なフレームワークを提供しています。
論文参考訳（メタデータ） (2025-11-20T17:58:04Z)
A Vision-Language Pre-training Model-Guided Approach for Mitigating Backdoor Attacks in Federated Learning [43.847168319564844]
視覚言語事前学習モデルのゼロショット学習機能を利用したFLバックドアディフェンスフレームワークCLIP-Fedを提案する。本計画では, 防衛効果に課される非IIDの限界を克服し, 事前集約・後防衛戦略を統合する。
論文参考訳（メタデータ） (2025-08-14T03:39:54Z)
Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
論文参考訳（メタデータ） (2025-07-31T05:34:27Z)
ESLM: Risk-Averse Selective Language Modeling for Efficient Pretraining [53.893792844055106]
大規模言語モデルの事前学習は計算集約的であるが、多くのトークンが学習にわずかに寄与し、非効率になる。 Selective Efficient Language Modelingは、オンライントークンレベルのバッチ選択を行うことで、トレーニング効率と分散ロバスト性を改善するリスク認識アルゴリズムである。 GPT-2プレトレーニング実験の結果、ESLMはベースラインに比べて複雑度と下流性能の両面を維持・改善しながら、トレーニングFLOPを著しく低減することが示された。
論文参考訳（メタデータ） (2025-05-26T12:23:26Z)
RCC-PFL: Robust Client Clustering under Noisy Labels in Personalized Federated Learning [8.37314799155978]
本稿では,RCC-PFLというラベルに依存しない類似性に基づくクラスタリングアルゴリズムを提案する。平均精度と分散低減率で複数のベースラインを上回っていることを示す。
論文参考訳（メタデータ） (2025-03-25T17:50:54Z)
Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2025-02-05T16:33:36Z)
FedAC: An Adaptive Clustered Federated Learning Framework for Heterogeneous Data [21.341280782748278]
クラスタ化フェデレーション学習(CFL)は、データ不均一性から生じる性能劣化を軽減するために提案される。我々は,グローバル知識をクラスタ内学習に効率的に統合する適応型CFLフレームワークFedACを提案する。実験の結果、FedACは試験精度が1.82%、12.67%向上した。
論文参考訳（メタデータ） (2024-03-25T06:43:28Z)
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)
RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
論文参考訳（メタデータ） (2023-07-05T12:49:02Z)

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。