論文の概要: When Unlearning Fails: Reliable Data Deletion under Post-Training in Agent Networks

• arxiv url: http://arxiv.org/abs/2607.28829v1
• Date: Thu, 30 Jul 2026 20:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.480608
• Title: When Unlearning Fails: Reliable Data Deletion under Post-Training in Agent Networks
• Title（参考訳）: 未学習が失敗した場合:エージェントネットワークにおける訓練後の信頼性の高いデータ削除
• Abstract要約: 本研究では,Muting Unlearned TrajectoriesのEchoesメソッドであるMUTEを提案する。 MUTEは、軽量サーバ台帳からの下流の影響を推定し、忘れがちな更新によって現在の残余を除去し、隔離または下降重みによる高影響の保持された軌跡を含ませ、後続の振る舞いを監査して、追加の消去をスケジュールする。
• 参考スコア（独自算出の注目度）: 5.926889190694357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-improving federated agent networks keep training after deployment by collecting new trajectories with the current policy and feeding them back into later rounds. This closed loop makes unlearning harder than a one-time model repair. When a data owner requests deletion, the target data may have already shaped later retained trajectories, so retraining or model-side unlearning can leave an influence echo that returns as the network continues to operate. We show that this echo survives retained-data retraining, grows with the amount of forget-shaped retained data, and can be traced from deployment, collection, and aggregation records. To address this problem, we propose MUTE, a Muting Unlearned Trajectories' Echoes method for reliable deletion in self-improving federated agent networks. MUTE estimates downstream influence from a lightweight server ledger, removes the current residue through a forget-retain update, contains high-influence retained trajectories through quarantine or down-weighting, and audits later behavior to schedule additional erasure under an uplink budget. Experiments on LIBERO with two vision-language-action backbones, three deletion granularities, and a physical Jetson-based edge testbed show that MUTE keeps behavioral leakage and influence regeneration low while preserving task utility and using much less communication than full retraining.
• Abstract（参考訳）: 自己改善型のエージェントネットワークは、現在のポリシーで新たなトラジェクトリを収集し、後続のラウンドにフィードバックすることで、デプロイ後のトレーニングを継続する。 このクローズドループは、一度のモデル修復よりも学習が難しい。 データ所有者が削除を要求するとき、ターゲットデータは後に保持された軌跡を既に形成していた可能性があるため、トレーニングやモデルサイドのアンラーニングは、ネットワークの動作が継続するにつれて、影響エコーを残すことができる。 このエコーは、保持データの再トレーニングを継続し、忘れられた形で保持されたデータの量とともに成長し、デプロイメント、コレクション、集約レコードから追跡できることを示す。 この問題を解決するために,Muting Unlearned Trajectories' Echoes法であるMUTEを提案する。 MUTEは、軽量サーバ台帳からの下流の影響を推定し、忘れがちな更新によって現在の残余を除去し、隔離または下降重みによる高影響の保持された軌跡を含ませ、後続の振る舞いを監査し、アップリンク予算の下で追加の消去をスケジュールする。 2つの視覚言語アクションバックボーン、3つの欠落した粒度、および物理的ジェットソンをベースとしたエッジテストベッドを用いたLIBERO実験では、MUTEはタスクユーティリティを保ちながら行動漏洩と影響の回復を低く保ち、完全なリトレーニングよりもコミュニケーションをはるかに少なくすることを示した。

関連論文リスト

• Forgotten in Weights, Recovered by Tools: Agentic Tool Unlearning for LLM Agents [54.050506620820784]
  エージェントツールアンラーニング(ATU)は、通常のツール使用を保持しながら、パラメトリックリコールとツールによるリカバリの両方を削減することを目的としている。 ATUは、ツール強化されたエージェントデプロイメント下で、ターゲットの忘れと保持ユーティリティのバランスを向上し、未学習をより堅牢にする。
  論文  参考訳（メタデータ） (2026-08-21T18:34:48Z)
• TOUR: A Trajectory-Level Unlearning Benchmark for Offline Reinforcement Learning [18.411026872661083]
  オフラインRL(TOUR)におけるトラジェクトリレベルのmemOrizationとUnlearningを導入する。 TOURは、トラジェクトリレベルのパーティショニング、マッチした非メンバーコントロール、参照の再トレーニング、保持されたパフォーマンスアンカー、プライバシ監査を組み合わせたものだ。 一般的な削除ベースラインは環境に依存したプライバシ・ユーティリティーの挙動を示す。
  論文  参考訳（メタデータ） (2026-07-23T09:40:40Z)
• Orthogonal Subspace Projection for Continual Machine Unlearning via SVD-Based LoRA [8.191149161025198]
  継続的機械学習は、もはや保持すべきでないデータの影響を排除し、モデルの有用性を他のすべてに保持することを目的としています。 Low-Rank Adaptation (LoRA)は、このような更新を実装する効率的な方法を提供するが、多くのシーケンシャルなLoRAモジュールを組み合わせることで、パラメータの衝突につながる。 Singular Value Decomposition (SVD)-guided orthogonal subspace projection に基づく静的な代替法を提案する。
  論文  参考訳（メタデータ） (2026-04-14T09:59:32Z)
• TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning [10.314982171290835]
  マルチモーダル・レコメンデーション・システム (MRS) は, ユーザ・イテム相互作用グラフとリッチアイテム・コンテントを共同でモデル化するが, この密結合により学習後, ユーザデータの除去が困難になる。 近似マシンアンラーニング(英語版)は、完全な再トレーニングに代わる効率的な代替手段を提供するが、MSSの既存の方法は、主にモデル全体のほぼ均一な逆更新に依存している。 削除データの影響は均一に分散されていないが、テクトit rankの振る舞い、テクトモダリティのブランチ、およびテクトitnetwork層に不均一に集中している。
  論文  参考訳（メタデータ） (2026-04-02T15:45:03Z)
• Learning to Detect Language Model Training Data via Active Reconstruction [65.4791582049743]
  textbfActive Data Reconstruction Attack (ADRA)を紹介する。 ADRAはトレーニングを通じて与えられたテキストを再構築するモデルを誘導する。 我々のアルゴリズムは、事前学習、後訓練、蒸留データの検出において、既存のMIAよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-22T03:20:06Z)
• TraceHiding: Scalable Machine Unlearning for Mobility Data [1.6042394978941517]
  TraceHidingは、移動軌道データのためのスケーラブルで重要な機械学習フレームワークである。 トレーニングされたディープモデルから特定のユーザトラジェクトリを、フルリトレーニングなしで削除する。 非学習精度が向上し、MIAレジリエンスが向上し、リトレーニングよりも最大40倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-09-21T21:29:24Z)
• ReTrack: Data Unlearning in Diffusion Models through Redirecting the Denoising Trajectory [17.016094185289372]
  拡散モデルのための高速かつ効果的なデータアンラーニング手法であるReTrackを提案する。 ReTrackはより効率的な微調整損失を構築するために重要サンプリングを採用している。 MNIST T-Shirt、CelebA-HQ、CIFAR-10、および安定拡散の実験は、ReTrackが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-09-16T12:20:15Z)
• CleanCLIP: Mitigating Data Poisoning Attacks in Multimodal Contrastive Learning [63.72975421109622]
  CleanCLIPは、バックドア攻撃によって引き起こされる学習された刺激的関連を弱める微調整フレームワークである。 CleanCLIPは、マルチモーダル・コントラッシブ・ラーニングに対するバックドア・アタックを根絶しながら、良質な例によるモデル性能を維持している。
  論文  参考訳（メタデータ） (2023-03-06T17:48:32Z)
• Learning to Unlearn: Instance-wise Unlearning for Pre-trained Classifiers [71.70205894168039]
  そこでは、事前訓練されたモデルからインスタンスのセットに関する情報を削除することを目標としています。 本稿では,1)表現レベルでの忘れを克服するために,敵の例を活用すること,2)不必要な情報を伝播するネットワークパラメータをピンポイントする重み付け指標を活用すること,の2つの方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T07:53:50Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。