論文の概要: OSR: Output Space Redistribution for Adaptive Label Removal in Classification Models

• arxiv url: http://arxiv.org/abs/2609.03972v1
• Date: Thu, 03 Sep 2026 15:08:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.126844
• Title: OSR: Output Space Redistribution for Adaptive Label Removal in Classification Models
• Title（参考訳）: OSR: 分類モデルにおける適応ラベル除去のための出力空間再分配
• Abstract要約: 本稿では, 出力空間における統計的再分配を利用して, 再学習モデルの除去後の信頼度を近似する手法を提案する。 我々の手法は、データ依存型ソリューションに固有のプライバシー上の懸念を緩和する可能性がある。
• 参考スコア（独自算出の注目度）: 29.318647429166116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label removal occurs frequently in classification systems with evolving taxonomies, where categories must be dynamically updated or eliminated. To accommodate such changes, classification models must adapt accordingly. Existing solutions, broadly categorized as retraining-based and feature-space-adjustment-based, share common limitations despite their variations, including reliance on access to original data, substantial computational and storage costs, inconsistent results, poor scalability, and degradation of model utility. To address this, we propose a novel approach that leverages statistical redistribution in the output space to approximate the post-removal confidence vectors of a retrained model. Applicable as a modular output filter, our method bypasses the burden of feature-space adjustments or loss-function convergence, alleviating scalability limitations. Furthermore, by requiring only existing labels and prior output confidences, the method potentially mitigates privacy concerns inherent to data-dependent solutions. Extensive experiments demonstrate competitive performance against full retraining, with improvements in computational efficiency and privacy preservation across several classification tasks.
• Abstract（参考訳）: ラベルの除去は、分類体系の進化を伴う分類システムで頻繁に起こり、分類は動的に更新または削除されなければならない。 このような変化に対応するために、分類モデルはそれに応じて適応する必要がある。 既存のソリューションは、リトレーニングベースと特徴空間調整ベースに分類され、原データへのアクセスへの依存、相当な計算とストレージコスト、一貫性のない結果、スケーラビリティの低下、モデルユーティリティの劣化など、それらのバリエーションにもかかわらず、共通の制限を共有している。 そこで本研究では, 出力空間における統計的再分配を利用して, 再学習モデルの除去後の信頼ベクトルを近似する手法を提案する。 モジュラー出力フィルタとして適用可能な本手法では,特徴空間調整や損失関数収束の負担を回避し,スケーラビリティの制限を緩和する。 さらに、既存のラベルと事前出力の信頼性のみを必要とすることにより、この方法はデータ依存のソリューションに固有のプライバシー上の懸念を軽減する可能性がある。 大規模な実験は、いくつかの分類タスクにおける計算効率とプライバシー保護の改善とともに、完全な再トレーニングに対する競争性能を示す。

関連論文リスト

• On-the-go Forgetting without Explicit Unlearning via ERASE [2.6426981014417046]
  ERASEは、モデルウェイトを変更することなく、プライベートデータの観測可能な影響を抑制する、現在進行中の忘れ物のためのフレームワークである。 ERASEが指定されたサブクラスの機能的忘れを確実に達成した場合に、十分な条件を厳格に特徴付ける。 ERASEは、最近の未学習手法よりも、有効性を忘れること、計算効率、保持率の最良のバランスを維持している。
  論文  参考訳（メタデータ） (2026-09-05T08:09:27Z)
• Renewable Lasso without Batch-Number Constraints: A Gradient-Enhanced Approach [18.206702877104643]
  ストリーミングデータを用いた高次元一般化線形モデルのオンライン推定について検討する。 非分散環境では,過去の要約のみを用いて累積損失を近似する代理損失を提案する。 次に、マスタ-クライアントアーキテクチャの下で分散ストリーミングデータにメソッドを拡張します。
  論文  参考訳（メタデータ） (2026-06-10T07:15:55Z)
• 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)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• Distribution-Guided and Constrained Quantum Machine Unlearning [5.518378568494161]
  機械学習は、学習モデルから特定のトレーニングデータの影響を、完全なリトレーニングなしで取り除くことを目的としている。 本稿では,非学習を制約付き最適化問題として扱う,クラスレベルの量子マシンアンラーニングのための分散誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T21:44:20Z)
• Factor Decorrelation Enhanced Data Removal from Deep Predictive Models [19.35464160096721]
  ユーザのプライバシ保護と規制コンプライアンスの義務は、モデルトレーニングにおける機密データ削除を必要とする。 本稿では,係数のデコレーションと損失摂動による深部予測モデルを強化する新しいデータ除去手法を提案する。
  論文  参考訳（メタデータ） (2025-09-27T18:23:21Z)
• Regularizing Subspace Redundancy of Low-Rank Adaptation [54.473090597164834]
  本稿では、マッピング部分空間間の冗長性を明示的にモデル化し、低ランク適応のサブスペース冗長性を適応的に正規化する手法であるReSoRAを提案する。 提案手法は、視覚言語検索や標準的な視覚分類ベンチマークにおいて、様々なバックボーンやデータセットにまたがる既存のPETL手法を一貫して促進する。 トレーニングの監督として、ReSoRAは追加の推論コストなしで、プラグイン・アンド・プレイ方式で既存のアプローチにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-07-28T11:52:56Z)
• CART-based Synthetic Tabular Data Generation for Imbalanced Regression [1.342834401139078]
  我々は、既存のCARTベースの合成データ生成手法を適応させ、不均衡回帰に適合させることを提案する。 本手法は, 対象空間のスパース領域におけるサンプリングを誘導するための関連性および密度に基づくメカニズムを統合する。 本実験は,ベンチマークデータセット間での極端目標値の予測に焦点をあてる。
  論文  参考訳（メタデータ） (2025-06-03T12:42:20Z)
• 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)
• HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
  LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。 本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。 テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
  論文  参考訳（メタデータ） (2024-11-10T19:59:54Z)
• Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
  LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。 オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。 OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-10T12:22:31Z)
• Source-free Domain Adaptation via Distributional Alignment by Matching Batch Normalization Statistics [85.75352990739154]
  ソースフリー設定のための新しいドメイン適応手法を提案する。 未観測のソースデータの分布を近似するために,事前学習モデルに格納されたバッチ正規化統計を用いた。 本手法は最先端のドメイン適応手法で競合性能を実現する。
  論文  参考訳（メタデータ） (2021-01-19T14:22:33Z)

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。