論文の概要: Where Identity Lives: Localized, Retain-Free Identity Unlearning in Multimodal Large Language Models

• arxiv url: http://arxiv.org/abs/2608.30649v1
• Date: Mon, 31 Aug 2026 11:51:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.375619
• Title: Where Identity Lives: Localized, Retain-Free Identity Unlearning in Multimodal Large Language Models
• Title（参考訳）: アイデンティティが生きる場所:マルチモーダルな大規模言語モデルにおける、局所的で、保持不要なアイデンティティアンラーニング
• Abstract要約: 認識を損なう、共有された視覚言語計算にダメージを与える。 私たちはこれをPathway-Aware Visual-Atribute Anchoring (PAVA)に変換し、これらのレイヤを更新し、忘れられたイメージからモデル自身の事前学習回答を抽出することで、画像のグラウンドドビヘイビアを保存するビジュアル-アトリビュートアンカーとペアリングする。 MLLMU-Bench と ReMem では、PAVA はリザーブセットのみの手法の中で最強のレザーブ・リザーブ・リザーブ・トレードオフを提供し、リザーブ・ベースラインとの競争力を維持している。
• 参考スコア（独自算出の注目度）: 33.31500669671185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Removing a specific individual's information from multimodal large language models (MLLMs) is often needed after deployment, but existing methods rely on a retain set, which is hardest to obtain at that point, and rebuilding it recreates the privacy exposure that unlearning aims to remove. Forgetting from the forget set alone instead damages the shared visual-language computation, harming perception. We cast retain-free unlearning as a localization problem: causal tracing, weight transplant, and Fisher overlap all point to early-to-mid decoder MLPs as the layers where identity information is stored and, unlike other module families, can be modified without substantially disrupting vision. We turn this into Pathway-Aware Visual-attribute Anchoring (PAVA), which confines updates to these layers and pairs a forget loss with a visual-attribute anchor that preserves image-grounded behavior by distilling the model's own pre-unlearning answers from the forget images alone. On MLLMU-Bench and ReMem, PAVA gives the strongest forget-retain trade-off among forget-set-only methods and remains competitive with retain-based baselines.
• Abstract（参考訳）: デプロイ後、特定の個人の情報をMLLM(Multimodal large language model)から削除する必要があることが多いが、既存のメソッドは保持セットに依存しており、その時点で取得するのが最も困難であり、未学習が取り除こうとしているプライバシ露出を再構築する。 インタラクトセットのみから取得すると、その代わりに共有された視覚言語計算が損なわれ、知覚を損なう。 因果的追跡, 体重移動, フィッシャーは, 初期から中にかけてのデコーダMLPを, アイデンティティ情報を格納する層として重複させ, 他のモジュール群とは異なり, 視覚を著しく損なうことなく修正することができる。 私たちはこれをPathway-Aware Visual-Atribute Anchoring (PAVA)に変換することで、これらのレイヤの更新を限定し、モデル自身の学習前の回答を忘れ画像のみから蒸留することで、画像のグラウンドドビヘイビアを保存するビジュアル-アトリビュートアンカーと、忘れ画像損失をペアリングします。 MLLMU-Bench と ReMem では、PAVA はリザーブセットのみの手法の中で最強のレザーブ・リザーブ・リザーブ・トレードオフを提供し、リザーブ・ベースラインとの競争力を維持している。

関連論文リスト

• AIM: Anchor Identity Features, Then Match for Multimodal Large Language Model Unlearning [33.31500669671185]
  保存画像が削除時に利用できない場合のアイデンティティ・アンラーニングについて検討する。 分析の結果,身元と視覚知覚の問題が,微調整された隠蔽状態の異なる領域を占めることが明らかとなった。 AIMは,視覚的プロンプトを固定し,そのターゲットに視覚エンコーダをマッチングする2段階の手法である。
  論文  参考訳（メタデータ） (2026-08-28T13:22:22Z)
• Toward Fine-Grained Forgetting:Attribute Unlearning for Multimodal Large Language Models [24.764929711765944]
  マシンアンラーニングは、汎用性を維持しながら、スクラッチからリトレーニングすることなく、指定された知識を除去しようとする。 既存のプライバシ指向のベンチマークでは、主にプロファイルレベルの削除が採用されているが、実用的な要求はよりきめ細かいものが多い。 属性レベルのMLLMアンラーニングをよりきめ細かなタスクとして導入し、長文、数値、短文ターゲット、複数忘れ率、多様な質問タイプにまたがるベンチマークを構築した。 評価の結果,対象属性と保持属性が識別特異性および視覚的証拠を共有していることが判明した。
  論文  参考訳（メタデータ） (2026-08-02T05:23:44Z)
• SHRED: Retain-Set-Free Unlearning via Self-Distillation with Logit Demotion [39.17638540496959]
  SHRED (Self-distillation via High-surprisal-only Retain-free Entropy Demotion) は、キーインサイトに基づいて構築された、保持セットなしのアンラーニング手法である。 高情報トークンはモデルの記憶された知識に集中し、低情報トークンは一般的な言語能力を反映する。 SHREDは再学習攻撃やメンバシップ推論攻撃に対して堅牢であり、連続的なアンラーニングの実行が多数あった後も安定したユーティリティを維持している。
  論文  参考訳（メタデータ） (2026-05-08T09:25:18Z)
• 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)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)
• Towards Benign Memory Forgetting for Selective Multimodal Large Language Model Unlearning [49.274436951541425]
  MLLM(Multimodal Large Language Models)は優れた能力を発揮するが、プライバシーに敏感な情報を不注意に記憶することができる。 既存の未学習の手法は、しばしばモデルの一般的な画像理解性能を劣化させるため、良心的な忘れを達成できない。 本稿では, メモリ領域のメモリ領域への忘れを抑えつつ, 全体的な機能を維持するSculpted Forgetting Adapter (SMFA)を提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:22:45Z)
• AUVIC: Adversarial Unlearning of Visual Concepts for Multi-modal Large Language Models [63.05306474002547]
  を強制する規制フレームワークは、機械学習の必要性を喚起します。 AUVICはMLLMのための新しい視覚概念アンラーニングフレームワークである。 AUVICは,非ターゲット概念の性能劣化を最小限に抑えつつ,最先端の目標忘れ率を実現していることを示す。
  論文  参考訳（メタデータ） (2025-11-14T13:35:32Z)
• LLM Unlearning on Noisy Forget Sets: A Study of Incomplete, Rewritten, and Watermarked Data [69.5099112089508]
  大規模言語モデル(LLM)は、顕著な生成能力を示すが、機密データを記憶することで倫理的およびセキュリティ上の懸念を引き起こす。 この研究は、ノイズのある忘れセットと呼ばれる、摂動的または低忠実な忘れデータの下での未学習に関する最初の研究を提示する。 コアセマンティック信号が保存されている場合、未学習は摂動に対して驚くほど堅牢である。
  論文  参考訳（メタデータ） (2025-10-10T05:10:49Z)
• CLIPErase: Efficient Unlearning of Visual-Textual Associations in CLIP [57.49519639951552]
  CLIPEraseは視覚的・テキスト的関連を選択的に忘れる新しいアプローチである。 CIFAR-100とFlickr30Kデータセットの実験は、CLIPEraseがマルチモーダルサンプルのゼロショットタスクにおける指定された関連性を効果的に忘れていることを示している。
  論文  参考訳（メタデータ） (2024-10-30T17:51:31Z)

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。