論文の概要: SCOPE: Entanglement Frontier Escape for Source-Free Class Unlearning

• arxiv url: http://arxiv.org/abs/2608.02058v1
• Date: Mon, 03 Aug 2026 10:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.384227
• Title: SCOPE: Entanglement Frontier Escape for Source-Free Class Unlearning
• Title（参考訳）: SCOPE: ソースフリーのアンラーニングのためのエンタングルメントフロンティアエスケープ
• Abstract要約: ソースフリークラス アンラーニングは、表現レベルで判断される左折データのみを使用してクラス全体を消去する。 我々は、この緊張がフロンティアであることを証明している。削除する固定された投影は、少なくとも、左の区別された部分空間に沿って、保持されるエネルギーの保留コストを支払う。
• 参考スコア（独自算出の注目度）: 6.039098328985986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-free class unlearning erases whole classes using only the forget data, judged at the representation level, where features can leak a class the head no longer predicts. Existing feature-space erasers answer with one fixed projection, yet forget and retain classes share a representation, so deleting one disturbs the other where they overlap. We prove this tension is a frontier. Every fixed projection that deletes pays a retain cost of at least the retain-readout energy along the forget-discriminant subspace, and erasing that subspace alone attains the floor. The leading source-free erasers all instantiate the form it binds, so the frontier limits the whole class. Conditioning the erasure on the input escapes it. Spectral Conditional Projective Erasure (SCOPE) does so with a single gate, suppressing the forget subspace chiefly on inputs its frozen head's weight scores read as a forget class. It is closed form, needs no retain data or gradient training, and costs orders of magnitude less than retraining. Across five object, face, and speaker benchmarks spanning two modalities and both convolutional and transformer backbones, the frontier predicts the measured retain cost. SCOPE leads the source-free erasers on every benchmark and forget-set size, and at the hardest setting it tops every unlearner, trained methods included.
• Abstract（参考訳）: ソースなしのクラス アンラーニングは、表現レベルで判断される忘れデータのみを使用してクラス全体を消去する。 既存のフィーチャースペース消しゴムは1つの固定されたプロジェクションで応答するが、クラスが表現を共有することを忘れ、保持する。 私たちはこの緊張がフロンティアであることを証明する。 削除される固定されたプロジェクションは、少なくとも左区切りのサブスペースに沿って、保持されるエネルギーの保持コストを払い、そのサブスペースだけがフロアに到達することを消去する。 リードソースフリーの消しゴムはすべて、結合するフォームをインスタンス化するので、フロンティアはクラス全体を制限します。 入力の消去を条件にすると、それを回避できる。 SCOPE (Spectral Conditional Projective Erasure) は単一のゲートで行うことで、主にフリーズヘッドの重量スコアを忘れクラスとして読み込む入力に基づいて、忘れ部分空間を抑える。 クローズドフォームで、保持データや勾配トレーニングは不要で、再トレーニングよりも桁違いのコストがかかる。 5つのオブジェクト、顔、話者のベンチマークが2つのモードと、畳み込みとトランスフォーマーのバックボーンにまたがっており、フロンティアは測定された保持コストを予測する。 SCOPEは、すべてのベンチマークでソースフリーの消しゴムをリードし、最も難しい設定では、どの未学習で訓練されたメソッドでもトップになる。

関連論文リスト

• Source-Free Class Relearning: Diagnosing Forgetting in Class Unlearning [22.455121713091245]
  クラスアンラーニングは、モデルが保持クラスのパフォーマンスを維持しながら指定された忘れクラスを認識する能力を削除することを目的としている。 本研究では,厳密なソースフリー環境での授業再学習について検討し,未学習のモデルのみを用いて,忘れたクラスを復元できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-02T02:45:56Z)
• Forget Narrowly, Retain Broadly: Unlearning as an Asymmetric Generalization Problem [16.147107064302435]
  本研究では,現実のファクト・ドメインの無視保持構造をキャプチャするプロトコルと学習コーパスを開発する。 JensUn++は,3つのLLM間での最高の忘れがちなユーティリティトレードオフを実現する未学習アルゴリズムである。
  論文  参考訳（メタデータ） (2026-07-10T09:31:29Z)
• PURGE: Projected Unlearning via Retain-Guided Erasure [5.069332646113575]
  PURGEは、単純だが未発見の観測(継続学習(CL)と機械未学習(MU))に基づいて構築された機械学習アルゴリズムである。 CLは古いタスクを忘れずに新しいタスクを学習しようとします。MUは、反対方向に同じ根底にある緊張力を表す保持パフォーマンスを損なうことなく、特定のデータを消去しようとします。 PURGEは、MIA AUROCを0.5(理想)に近い精度で達成し、勾配上昇、KLユニフォーム、プライバシーユーティリティフロンティアのいくつかのベースラインを達成しながら、常に96%以上の精度を維持している。
  論文  参考訳（メタデータ） (2026-06-02T15:53:01Z)
• Class Unlearning via Depth-Aware Removal of Forget-Specific Directions [0.0]
  クラスアンラーニングは、訓練されたモデルから対象とする知識を取り除くことを目的としており、スクラッチから再トレーニングするコストがかからない。 既存のクラス・アンラーニング手法は、弱い選択性やネガティブな選択性を示し、深層表現における忘れクラス構造を保ち、最終層バイアスシフトに大きく依存していることを示す。 DAMPは1ショットでクローズドな重み付け法で、勾配に基づく最適化なしに事前訓練されたネットワークから忘れ特異的な方向を除去する。
  論文  参考訳（メタデータ） (2026-04-16T15:46:02Z)
• Partial Feedback Online Learning [88.27143767009376]
  我々は、偏見フィードバックオンライン学習と呼ばれる新しい学習プロトコルについて研究する。 各インスタンスは許容できるラベルのセットを許可するが、学習者は1ラウンドごとに許容できるラベルを1つだけ観察する。
  論文  参考訳（メタデータ） (2026-01-29T09:39:11Z)
• FG-OrIU: Towards Better Forgetting via Feature-Gradient Orthogonality for Incremental Unlearning [24.195588298488314]
  既存の手法は、特徴レベルと勾配レベルの両方に明示的な制約を伴わずに、パラメータを抑えるか、知識を混乱させる。 FG-OrIU (textbfFeaturetextbfGradient textbfOrthogonality for textbfIncrementaltextbfUnlearning)を提案する。 Singular Value Decomposition (SVD)を介して特徴空間を分解し、忘れられたり残ったクラス特徴を別々の部分空間に分離する。
  論文  参考訳（メタデータ） (2026-01-20T04:05:13Z)
• Erasing CLIP Memories: Non-Destructive, Data-Free Zero-Shot class Unlearning in CLIP Models [4.820351122363815]
  マルチモーダルモデルにおける選択的アンラーニングのための新しいクローズドフォームアプローチを提案する。 提案手法はNullspaceプロジェクションを利用して最終プロジェクション層に埋め込まれたターゲットクラス情報を消去する。 実験の結果,部分的プロジェクションであっても,完全な未学習と有用な情報の保持のバランスがとれることがわかった。
  論文  参考訳（メタデータ） (2025-12-16T06:37:41Z)
• Geometric-Disentangelment Unlearning [106.99160454669902]
  忘れたサンプルへの勾配は しばしば 保持された知識を傷つける 本稿では,GU(Geometric-disment Unlearning)を提案する。 本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
  論文  参考訳（メタデータ） (2025-11-21T09:58:25Z)
• Redirection for Erasing Memory (REM): Towards a universal unlearning method for corrupted data [55.31265817705997]
  本稿では,視覚分類器における多様な学習課題を特徴付ける概念空間を提案する。 本稿では,非学習時に導入した専用ニューロンに劣化したデータをリダイレクトする手法であるRedirection for Erasing Memory (REM)を提案する。 REMは、設計された領域の外で失敗する以前のSOTAメソッドとは対照的に、タスクの空間にわたって強く機能する。
  論文  参考訳（メタデータ） (2025-05-23T10:47:27Z)
• PASS++: A Dual Bias Reduction Framework for Non-Exemplar Class-Incremental Learning [49.240408681098906]
  クラスインクリメンタルラーニング(CIL)は,旧クラスの識別性を維持しつつ,新たなクラスを段階的に認識することを目的としている。 既存のCILメソッドの多くは、例えば、古いデータの一部を格納して再トレーニングする例がある。 本稿では、入力空間における自己教師付き変換(SST)と深い特徴空間におけるプロトタイプ拡張(protoAug)を利用する、単純で斬新な二重バイアス低減フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-19T05:03:16Z)
• LEACE: Perfect linear concept erasure in closed form [97.78661458934953]
  概念消去は、埋め込みから特定の機能を削除することを目的としている。 LEAst-squares Concept Erasure (LEACE) は、すべての線形分類器が可能な限り少ない埋め込みで概念を検出することを確実に防止する閉形式手法である。 LEACEを"concept scrubbing"と呼ばれる新しい手法で大規模言語モデルに適用し、ネットワーク内の各層からターゲット概念情報を消去する。
  論文  参考訳（メタデータ） (2023-06-06T16:07:24Z)
• Few-Shot Object Detection via Association and DIscrimination [83.8472428718097]
  AssociationとDIscriminationによるオブジェクト検出は、新しいクラスごとに2つのステップで識別可能な特徴空間を構築している。 Pascal VOCとMS-COCOデータセットの実験では、FADIは新しいSOTAパフォーマンスを実現し、ショット/スプリットのベースラインを+18.7で大幅に改善した。
  論文  参考訳（メタデータ） (2021-11-23T05:04:06Z)

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。