論文の概要: Similarity-Aware Machine Unlearning

• arxiv url: http://arxiv.org/abs/2608.00246v1
• Date: Fri, 31 Jul 2026 19:41:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.555167
• Title: Similarity-Aware Machine Unlearning
• Title（参考訳）: 類似性を考慮した機械の学習
• Abstract要約: 機械学習は、トレーニングされたモデルからユーザ特定トレーニング例の影響を排除し、スクラッチから再トレーニングする必要がない。 既存のアプローチでは、保持されたデータセットにおけるそれらの役割を無視して、忘れられたセットの重要度のみに基づいてパラメータを選択する。 本稿では,この制限を,留置データと留置データの両方にパラメータの重要性を考慮した留置型ローカライゼーション手法を用いて解決する。
• 参考スコア（独自算出の注目度）: 0.49581497240446293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine unlearning removes the influence of user-specified training examples from a trained model, avoiding the need to retrain it from scratch. Localization-based methods improve unlearning efficiency by identifying a subset of influential model parameters. However, existing approaches select parameters based solely on forget-set importance, neglecting their role in retained dataset and often causing collateral damage to semantically similar retained examples. We address this limitation with a retain-aware localization method that considers parameter importance to both forgotten and retained data. We also introduce a retain-similar evaluation set, constructed using cosine similarity in the model embedding space, to directly measure collateral damage. Across eleven experimental settings on CIFAR-10 dataset and ResNet18 model, our method consistently reduces collateral damage while improving standard unlearning metrics, demonstrating the effectiveness of retain-aware localization for similarity-aware machine unlearning.
• Abstract（参考訳）: 機械学習は、トレーニングされたモデルからユーザ特定トレーニング例の影響を排除し、スクラッチから再トレーニングする必要がない。 局所化に基づく手法は、影響のあるモデルパラメータのサブセットを特定することにより、学習効率を向上させる。 しかし、既存のアプローチでは、リサートセットの重要度のみに基づいてパラメータを選択し、保持されたデータセットにおけるそれらの役割を無視し、しばしば意味的に類似した保持例に副次的障害を引き起こす。 本稿では,この制限を,留置データと留置データの両方にパラメータの重要性を考慮した留置型ローカライゼーション手法を用いて解決する。 また, モデル埋め込み空間におけるコサイン類似性を用いて構築した残留相似評価セットを導入し, 横方向の損傷を直接測定する。 CIFAR-10データセットとResNet18モデルの11つの実験的な設定において、標準の未学習指標を改善しながら、コラテラル損傷を一貫して低減し、類似性を意識しないマシンの非学習における保持型ローカライゼーションの有効性を実証した。

関連論文リスト

• Forgetting Has Neighbors: Localized Collateral Forgetting in Machine Unlearning [28.628342735283752]
  機械学習は、選択したトレーニング例の影響を、完全なリトレーニングなしで除去することを目的としている。 標準的な評価では、未学習の質を、正確さや忘れることに基づくスコアなどの集約されたメトリクスで要約することが多い。 本研究では,非学習モデルと削除後のモデルの再学習モデルとの比較により,この故障モードを例レベルで検討する。
  論文  参考訳（メタデータ） (2026-05-29T13:48:06Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• 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)
• Efficient Unlearning through Maximizing Relearning Convergence Delay [27.079338164502634]
  重み空間と予測空間の両方の変化をキャプチャする「再学習収束遅延」と呼ばれる新しい指標を導入する。 このメトリクスは、未学習のモデルから回収された忘れられたデータのリスクを評価するために使用することができる。 本研究では,その性能を劣化させることにより,忘れる集合の影響を除去する影響排除フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T15:06:50Z)
• MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
  本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。 MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-02-19T05:20:31Z)
• REMIND: Input Loss Landscapes Reveal Residual Memorization in Post-Unlearning LLMs [0.1784233255402269]
  機械学習は、モデルから特定のトレーニングデータの影響を、完全な再トレーニングを必要とせずに取り除くことを目的としている。 未学習データの微妙な残差を検出するための新しい評価手法であるREMINDを提案する。 未学習のデータは、より平坦で、より急なロスランドスケープをもたらす一方、保持または関連のないデータは、より鋭く、より揮発性のあるパターンを示す。
  論文  参考訳（メタデータ） (2025-11-06T09:58:19Z)
• 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)
• UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
  ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。 これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。 本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:51:10Z)
• Improved Localized Machine Unlearning Through the Lens of Memorization [23.30800397324838]
  我々は局所的アンラーニングについて研究し、未学習アルゴリズムはパラメータの小さなサブセットで動作する。 そこで我々は,既存の未学習アルゴリズムと組み合わせた場合,強力な結果が得られるローカライゼーション戦略を提案する。 また、最も重要とされるパラメータをリセットする新しい未学習アルゴリズムDeletion by Example Localization (DEL)を提案する。
  論文  参考訳（メタデータ） (2024-12-03T12:57:08Z)
• Revisiting Machine Unlearning with Dimensional Alignment [46.29161970063835]
  そこで本研究では,未知の固有空間間のアライメントを計測し,データセットの保持を行う,機械学習のための新しい評価基準を提案する。 筆者らの枠組みは, 忘れ物から情報を効果的に排除し, 保持物から知識を保存している。
  論文  参考訳（メタデータ） (2024-07-25T02:05:15Z)
• 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)
• Machine Unlearning of Features and Labels [72.81914952849334]
  機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。 提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
  論文  参考訳（メタデータ） (2021-08-26T04:42:24Z)

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。