論文の概要: Source-Free Class Relearning: Diagnosing Forgetting in Class Unlearning

• arxiv url: http://arxiv.org/abs/2609.02018v1
• Date: Wed, 02 Sep 2026 02:45:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.034806
• Title: Source-Free Class Relearning: Diagnosing Forgetting in Class Unlearning
• Title（参考訳）: ソースフリーの授業再学習: 授業未学習における留意点の診断
• Authors: Zahra Dehghani, Pablo Piantanida, Mohammadhadi Shateri,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.455121713091245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class unlearning aims to remove a model's ability to recognize designated forget classes while preserving performance on retain classes. However, low forget accuracy after unlearning does not necessarily mean the class structure has been erased. Approximate unlearning methods can alter classifier decision boundaries while leaving recoverable structure in the representation. Prior work has shown that forget classes can be recovered, but existing approaches require real forget or retain samples, auxiliary data, or reference checkpoints. We study class relearning in a strictly source-free setting, asking whether a forget class can be recovered through a classifier-head update using only the unlearned model. Our approach rests on a theoretical analysis establishing a sufficient alignment condition under which a single gradient step on a synthetic probe set increases the expected logit margin of the forget class. Building on this, we propose a white-box Source-Free Relearning Audit (SFRA), which generates candidate embeddings in representation space and uses model-guided confidence filtering to construct high-confidence retain probes and low-confidence boundary-adjacent probes that are relabelled as the forget class. Gaussian sampling and Softmax confidence are used by default, while ablations with alternative proposal distributions and uncertainty criteria show that recoverability is not specific to these choices. To quantify recoverability, we introduce the Relearning Score (RS), which jointly measures forget-class recovery and retain-accuracy preservation, and report class-matched $Δ$RS relative to a retrained reference. Experiments on CIFAR-10, CIFAR-100, and TinyImageNet with ResNet-18, ViT-B/16, and Swin-T show that several unlearning methods exhibit substantial source-free recoverability, and that for a subset of methods this recoverability exceeds the matched retrained reference.
• Abstract（参考訳）: 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。 しかし、未学習後の低い忘れ精度は、必ずしもクラス構造が消去されたという意味ではない。 近似アンラーニング法は、表現に復元可能な構造を残しながら、分類器の決定境界を変更することができる。 以前の作業では、忘れたクラスを復元できることが示されているが、既存のアプローチでは、サンプル、補助データ、参照チェックポイントを実際に忘れるか、保持する必要がある。 本研究では,クラス再学習を厳密なソースフリー環境で研究し,未学習のモデルのみを用いて,クラスを分類器ヘッドで更新できるかどうかを問う。 提案手法は,合成プローブセット上の1つの勾配ステップが,ドナークラスの期待ロジットマージンを増大させるような,十分なアライメント条件を確立する理論的解析に依拠する。 そこで本研究では,表現空間に候補埋め込みを生成し,モデル誘導型信頼度フィルタを用いて高信頼保持プローブと低信頼境界隣接プローブを構築するための,ホワイトボックス・ソース・フリー・リラーニング・オーディット(SFRA)を提案する。 ガウスサンプリングとソフトマックスの信頼性はデフォルトで使用されるが、代替提案の分布と不確実性基準の省略は、回復可能性がこれらの選択に特有でないことを示している。 回復可能性の定量化のために,再学習スコア(Relearning Score, RS)を導入し, 再学習参照に対してクラス適合の$Δ$RSを報告した。 CIFAR-10, CIFAR-100, TinyImageNetをResNet-18, ViT-B/16, Swin-Tで行った実験では、いくつかの未学習手法が実質的なソースフリーリカバリ性を示しており、いくつかの手法では、このリカバリ性が一致した参照を超えることが示されている。

関連論文リスト

• Measure, Don't Optimize: Forecasting Recovery in LLM Unlearning [57.920153607557744]
  J-Accessは、モデル出力経路に沿ってターゲット概念がアクセス可能な頻度を測定する推論時監査である。 我々は8つの未学習手法にまたがる398の公開未学習モデルを監査する。
  論文  参考訳（メタデータ） (2026-08-11T20:16:20Z)
• Minimal Markovization via Stable Quotients in Holonomy-Cover Decision Processes [13.539613784615605]
  可視的ダイナミクスがRLであり、実現された可視的遷移がすべて、固定的な置換を隠れモードに適用する構造化されたPOMDPクラスについて述べる。 我々は、現在の観測と安定クラスのペアが、完全に有限なマルコフ状態を形成することを証明している。 実験では、原状態から商状態への正確な圧縮を回復し、3つの決定時間メモリ状態で完全なペア順序精度を達成する。
  論文  参考訳（メタデータ） (2026-07-29T17:03:35Z)
• SAGE: Retain-Aware Post-Hoc Sanitization of Final Unlearning Vector [32.30497427199285]
  現在のアンラーニング手法は、すべて、アンラーニングと保持の間のトレードオフを含んでいる。 また, 保持行動バイアスは, 保持に影響を及ぼす未学習手法による損傷の定量化にも有効であることがわかった。 これにより、ポストホックアプローチを用いて、未学習のメソッドの保持性能を復元できる。
  論文  参考訳（メタデータ） (2026-06-16T08:29:43Z)
• An Illusion of Unlearning? Assessing Machine Unlearning Through Internal Representations [16.917151304941967]
  最終層の特徴と分類器のミスアライメントが主な原因で,最先端の非学習手法が成功していることを示す。 隠れた特徴は相変わらず差別的であり、単純な線形探索は、ほぼ原産地の精度を回復することができる。
  論文  参考訳（メタデータ） (2026-04-09T14:02:23Z)
• Suppression or Deletion: A Restoration-Based Representation-Level Analysis of Machine Unlearning [24.40457827994831]
  本稿では,機械学習のための復元に基づく新しい分析フレームワークを提案する。 画像分類タスクにおいて、我々のフレームワークを12の非学習手法に適用すると、ほとんどの手法が高い回復率を達成することが分かる。 表現レベルの検証を優先する新たな評価ガイドラインを提案する。
  論文  参考訳（メタデータ） (2026-02-18T07:46:30Z)
• Is Retain Set All You Need in Machine Unlearning? Restoring Performance of Unlearned Models with Out-Of-Distribution Images [0.0]
  SCAR(Selective-distillation for Class and Architecture-Agnostic UnleaRning)を紹介する。 SCARは、保持セットを使わずに、モデルのテスト精度を維持しながら、特定の情報を効率的に除去する。 提案手法の有効性を3つの公開データセットで実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-19T14:45:27Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)
• Queried Unlabeled Data Improves and Robustifies Class-Incremental Learning [133.39254981496146]
  クラス増分学習(Class-incremental Learning, CIL)は、新たに追加されたクラスを学習することと、以前に学習したクラス知識を保存することの間の悪名高いジレンマに悩まされる。 我々は、連続学習において「自由」な外部ラベル付きデータクエリを活用することを提案する。 CIL-QUDを堅牢化したバージョンにシームレスに拡張する。
  論文  参考訳（メタデータ） (2022-06-15T22:53:23Z)
• Online Selective Classification with Limited Feedback [82.68009460301585]
  オンライン学習モデルにおいて、予測者がインスタンスの分類を控える可能性のある選択的分類について検討する。 私たちが考慮している設定の健全な2つの側面は、データが不可避である可能性があるため、データは不可避である可能性があるということです。 smash$tildeO(T1-mu)$ over abstention against Adaptive adversaries. smash$tildeO(T1-mu)$ incurring smash$tildeO(T1-mu)$ over abstention。
  論文  参考訳（メタデータ） (2021-10-27T08:00:53Z)

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。