論文の概要: I-CARE: Analysis of interference-related phenomena in a controllable, diverse and representative unlearning setting for text-to-image models
- arxiv url: http://arxiv.org/abs/2609.00003v1
- Date: Wed, 24 Jun 2026 16:24:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.417565
- Title: I-CARE: Analysis of interference-related phenomena in a controllable, diverse and representative unlearning setting for text-to-image models
- Title（参考訳）: I-CARE:テキスト・ツー・イメージ・モデルのための制御可能・多様・代表的未学習環境における干渉関連現象の解析
- Abstract要約: I-CAREは、遺伝的アンラーニングの第一級研究対象として干渉を形式化する方法論である。
我々は、最先端のアルゴリズムと頻繁に使用されるデータセットで実現可能性を示す。
- 参考スコア（独自算出の注目度）: 1.8008011356310047
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine unlearning studies the removal of knowledge from an AI model, making the system forget a concept it previously learned. Despite rapid progress in generative machine unlearning, the unintended degradation of semantically related concepts that should have been retained (henceforth, interference) remains poorly characterized and inconsistently evaluated. This paper introduces I-CARE, a methodology that formalizes interference as a first-class object of study in generative unlearning. Rather than proposing a new benchmark or unlearning algorithm, I-CARE provides formal definitions for tasks, metrics, and templates for reporting results, enabling the systematic and reproducible study of interference across unlearning settings. While our methodology is designed to remain valid as models and unlearning algorithms evolve, decoupling long-term scientific insight from transient empirical results, we present a feasibility demonstration with state-of-the-art algorithms and frequently used datasets. The results demonstrate that I-CARE enables meaningful analysis of interference patterns across multiple unlearning settings, establishing the practical applicability of the framework. The software implementation of the methodology is provided in an open-source framework, together with a web-based graphical interface that enables exploration of the outcomes of this study without requiring direct interaction with the codebase or specialized data analysis tools.
- Abstract（参考訳）: 機械学習はAIモデルから知識を取り除くことを研究するため、システムは以前に学んだ概念を忘れてしまう。
生成機械アンラーニングの急速な進歩にもかかわらず、保持すべき意味論的概念の意図しない劣化(従って干渉)は、貧弱で不整合性に評価され続けている。
本稿では,I-CARE(I-CARE)について紹介する。
I-CAREは、新しいベンチマークやアンラーニングアルゴリズムを提案するのではなく、結果を報告するためのタスク、メトリクス、テンプレートの公式定義を提供する。
我々の手法は、モデルと未学習アルゴリズムが進化するにつれて有効に保たれ、過渡的な経験的結果から長期的な科学的洞察を分離するように設計されているが、我々は最先端のアルゴリズムと頻繁に使用されるデータセットで実現可能性を示す。
その結果、I-CAREは、複数の未学習環境における干渉パターンの有意義な分析を可能にし、フレームワークの実用性を確立した。
方法論のソフトウェア実装は、コードベースや特殊なデータ分析ツールと直接対話することなく、この研究の結果を探索できるWebベースのグラフィカルインターフェースとともに、オープンソースフレームワークで提供される。
関連論文リスト
- A Survey on Self-Improving Test-Time Intelligence: Feedback-Driven Adapting, Learning, and Scaling at Inference [72.19201465132619]
このようなデプロイメント時間の改善を理解するための統一的な視点として,フィードバック駆動型テスト時間インテリジェンス(TTI)を提案する。
この視点は、テスト時適応、テスト時学習、テスト時スケーリングに関連するもので、ハイブリッドシステムにおけるそれらの相違点と相違点の両方を強調します。
私たちの目標は、テスト時に自己改善型AIシステムを研究するための、一貫性のある基礎と研究ロードマップを提供することです。
論文 参考訳（メタデータ） (2026-09-01T11:41:39Z) - Auditing Language Model Unlearning via Information Decomposition [68.48660428111593]
部分的情報分解(PID)を用いたアンラーニング監査のための解釈可能な情報理論フレームワークを提案する。
非学習前後のモデル表現を比較することにより、相互情報と忘れられたデータとを別個の構成要素に分解し、未学習および残留知識の概念を定式化する。
我々の研究は、言語モデルのより安全なデプロイのための理論的洞察と実行可能なツールを提供する、アンラーニングのための原則付き表現レベル監査を導入している。
論文 参考訳（メタデータ） (2026-01-21T15:51:19Z) - A Theory of the Mechanics of Information: Generalization Through Measurement of Uncertainty (Learning is Measuring) [0.0]
本研究では,情報理論の不確実性(informationtheoretic uncertainty)を用いたモデルフリーフレームワークを導入し,生データからの推論を解析・実行した。
分散モデリングを排除し、バイアスを低減し、トレーニングデータの直接編集や削除を含む効率的な更新を可能にする。
トレーサビリティ、解釈可能性、データ駆動による意思決定を強調し、マシンラーニングのための統一された人間理解可能なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-10-26T19:45:25Z) - Understanding Catastrophic Interference: On the Identifibility of Latent Representations [67.05452287233122]
破滅的な干渉、あるいは破滅的な忘れ(Caastrophic forgetting)は、機械学習の根本的な課題である。
本稿では,破滅的干渉を識別問題として定式化する新しい理論枠組みを提案する。
我々のアプローチは、合成データセットとベンチマークデータセットの両方で理論的保証と実用的なパフォーマンスの改善を提供する。
論文 参考訳（メタデータ） (2025-09-27T00:53:32Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - 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) - Agential AI for Integrated Continual Learning, Deliberative Behavior, and Comprehensible Models [15.376349115976534]
本稿では,AIシステム,エージェントAI(AAI)の初期設計について述べる。
AAIのコアは、完全性、最小性、継続的な学習を保証する時間的ダイナミクスをモデル化する学習方法である。
簡易環境における予備実験は,AAIの有効性と可能性を示している。
論文 参考訳（メタデータ） (2025-01-28T13:09:08Z) - RESTOR: Knowledge Recovery in Machine Unlearning [71.75834077528305]
Webスケールコーパスでトレーニングされた大規模な言語モデルは、プライベートまたはセンシティブな情報を含むことができる。
このようなデータポイントの効果を排除するために、いくつかの機械学習アルゴリズムが提案されている。
機械学習評価のためのRESTORフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-31T20:54:35Z) - Surprisal Driven $k$-NN for Robust and Interpretable Nonparametric
Learning [1.4293924404819704]
我々は情報理論の観点から、隣り合う従来のアルゴリズムに新たな光を当てた。
単一モデルを用いた分類,回帰,密度推定,異常検出などのタスクに対する頑健で解釈可能なフレームワークを提案する。
我々の研究は、分類と異常検出における最先端の成果を達成することによって、アーキテクチャの汎用性を示す。
論文 参考訳（メタデータ） (2023-11-17T00:35:38Z) - Task-Free Continual Learning via Online Discrepancy Distance Learning [11.540150938141034]
本稿では,来訪したサンプルとモデルトレーニングに利用可能な情報全体との差分距離に基づく一般化境界を提供する,新しい理論解析フレームワークを開発する。
この理論モデルに着想を得て,混合モデルに対する動的成分展開機構,すなわちオンライン離散距離学習(ODDL)によって実現された新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-12T20:44:09Z)
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。