論文の概要: Machine Unlearning as Private Retroactive Algorithms

• arxiv url: http://arxiv.org/abs/2609.05329v1
• Date: Fri, 04 Sep 2026 16:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.116809
• Title: Machine Unlearning as Private Retroactive Algorithms
• Title（参考訳）: プライベートリトロアクティブアルゴリズムとしての機械学習
• Abstract要約: 本稿では,レトロアクティビティ要求を連続観察下での差分プライバシーと組み合わせて,レトロアクティブアルゴリズムの定義を提案する。 本稿では, 線形統計, クラスタリング, ヒストグラムに対して, 不合理な結果とともに, プライバシのみを犠牲にして, プライバシとレトロアクティビティを両立させる構造を提案する。
• 参考スコア（独自算出の注目度）: 53.24897282360584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine unlearning typically aims to emulate retraining from scratch: upon a deletion request, the unlearning algorithm should produce an outcome that would have been obtained had the deleted point never been included. Recent work has shown that this emulation requirement carries no meaningful privacy semantics against an adversary who observes a sequence of releases. Machine unlearning is thus not a privacy question per se, but rather a data maintenance question, which is precisely the subject of retroactive algorithms. These are algorithms supporting modifications of past operations, guaranteeing that all subsequent answers reflect the revised history as if it had always been in force. We put forward a definition of private retroactive algorithms, combining the retroactivity requirement with differential privacy under continual observation. We present constructions achieving both privacy and retroactivity at no asymptotic cost over privacy alone for linear statistics, clustering, and histograms, alongside impossibility results.
• Abstract（参考訳）: マシンアンラーニングは、通常、スクラッチから再トレーニングをエミュレートすることを目的としている。 近年の研究では、このエミュレーション要件は、一連のリリースを観察する敵に対して意味のあるプライバシーの意味論を含まないことが示されている。 したがって、機械学習はプライバシーの問題ではなく、データメンテナンスの問題である。 これらは過去の操作の修正をサポートするアルゴリズムであり、その後の全ての回答が修正された履歴を常に有効であったかのように反映することを保証している。 本研究は, 連続観察下での反射性要求と差分プライバシーを組み合わせ, プライベートな回帰アルゴリズムの定義を提唱した。 本稿では, 線形統計, クラスタリング, ヒストグラムに対して, 不合理な結果とともに, プライバシーよりも漸近的なコストで, プライバシとレトロアクティビティを両立させる構成を提案する。

関連論文リスト

• RPWithPrior: Label Differential Privacy in Regression [0.0]
  本稿では,$$-label差分プライバシー保証の下での回帰タスクに着目した。 元の応答とランダムな応答を連続確率変数としてモデル化し、離散化を完全に回避する。 我々のアルゴリズムであるRPWithPriorは、$$-label差分プライバシーを保証する。
  論文  参考訳（メタデータ） (2026-01-30T06:27:13Z)
• Zero-Shot Privacy-Aware Text Rewriting via Iterative Tree Search [60.197239728279534]
  クラウドベースのサービスにおける大規模言語モデル(LLM)は、重大なプライバシー上の懸念を引き起こしている。 既存のテキスト匿名化と、ルールベースのリアクションやスクラブのような非識別技術は、プライバシー保護とテキストの自然性と実用性のバランスをとるのに苦労することが多い。 我々は,一貫性,妥当性,自然性を保ちながら,秘密情報を体系的に難読化・削除するゼロショット木探索型反復文書き換えアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-09-25T07:23:52Z)
• Auditing Approximate Machine Unlearning for Differentially Private Models [14.700807572189412]
  筆者らは, 学習アルゴリズムの近似を適用した上で, 未学習および保持サンプルのプライバシーリスクを監査するための総合的アプローチを提案する。 実験結果から、既存の近似機械学習アルゴリズムは、差分プライベートモデルに対する保持サンプルのプライバシーを不注意に損なう可能性があることが示唆された。
  論文  参考訳（メタデータ） (2025-08-26T04:29:33Z)
• Linear-Time User-Level DP-SCO via Robust Statistics [55.350093142673316]
  ユーザレベルの差分プライベート凸最適化(DP-SCO)は、マシンラーニングアプリケーションにおけるユーザのプライバシ保護の重要性から、大きな注目を集めている。 微分プライベート勾配勾配(DP-SGD)に基づくような現在の手法は、しばしば高雑音蓄積と準最適利用に苦しむ。 これらの課題を克服するために、ロバストな統計、特に中央値とトリミング平均を利用する新しい線形時間アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-02-13T02:05:45Z)
• Rewind-to-Delete: Certified Machine Unlearning for Nonconvex Functions [22.183624306817563]
  機械学習アルゴリズムは、スクラッチを使わずにモデルから効率的にデータを収集することを目的としている。 証明されたマシン・アンラーニングは 微分一般化に基づく 強力な理論上の保証だ
  論文  参考訳（メタデータ） (2024-09-15T15:58:08Z)
• MUSE: Machine Unlearning Six-Way Evaluation for Language Models [109.76505405962783]
  言語モデル(LM)は、プライベートおよび著作権のあるコンテンツを含む大量のテキストデータに基づいて訓練される。 総合的な機械学習評価ベンチマークであるMUSEを提案する。 人気のある8つのアンラーニングアルゴリズムがハリー・ポッターの本やニュース記事をいかに効果的に解き放つかをベンチマークする。
  論文  参考訳（メタデータ） (2024-07-08T23:47:29Z)
• Langevin Unlearning: A New Perspective of Noisy Gradient Descent for Machine Unlearning [28.839200263095137]
  プライバシは、スクラッチから再トレーニングするための統計的不明瞭さとして定義される。 勾配勾配に基づくアンラーニングフレームワークであるランゲヴィン・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2024-01-18T20:35:47Z)
• Topology-Based Reconstruction Prevention for Decentralised Learning [16.09412208373314]
  プライバシ保存の要約を数回行った結果,受動的に誠実だが正確な敵が,他のユーザのプライベートデータを推測できることが判明した。 本稿では,復興攻撃に対する最初のトポロジに基づく分散型防衛法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:55:40Z)
• Differentially Private Linear Regression with Linked Data [3.9325957466009203]
  コンピュータ科学の数学的概念である差分プライバシーは、堅牢なプライバシー保証を提供する上昇するツールである。 最近の研究は、個々の統計および機械学習タスクの微分プライベートバージョンの開発に焦点を当てている。 相関データを用いた線形回帰のための2つの微分プライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-01T21:00:19Z)
• Tight Auditing of Differentially Private Machine Learning [77.38590306275877]
  プライベート機械学習では、既存の監査メカニズムは厳格である。 彼らは不確実な最悪の仮定の下でのみ厳密な見積もりを行う。 我々は、自然(逆向きではない)データセットの厳密なプライバシー推定を得られる改善された監査スキームを設計する。
  論文  参考訳（メタデータ） (2023-02-15T21:40:33Z)
• Tighter Generalization Bounds for Iterative Differentially Private Learning Algorithms [95.73230376153872]
  本稿では,反復学習アルゴリズムにおける一般化とプライバシ保護の関係を2つのステップで検討する。 我々は、$(varepsilon, delta)$-differential privacyは、マルチデータベース学習アルゴリズムに縛られる平均的な一般化を意味することを証明している。 次に,ほとんどの学習アルゴリズムが共有する反復的な性質が,プライバシーの保護とさらなる一般化にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2020-07-18T09:12:03Z)

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。