論文の概要: On-the-go Forgetting without Explicit Unlearning via ERASE

• arxiv url: http://arxiv.org/abs/2609.05966v1
• Date: Sat, 05 Sep 2026 08:09:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.173056
• Title: On-the-go Forgetting without Explicit Unlearning via ERASE
• Title（参考訳）: ERASEによる明示的アンラーニングを伴わないオンザゴフォーミング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.6426981014417046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing unlearning approaches typically rely on post hoc weight adaptation or distillation, leading to duplicated memory costs, degraded generalization, and limited scalability. In this work, we introduce ERASE, Erasure via Reconstructive Adversarial Signal Editing, a framework for on-the-go forgetting that suppresses the observable influence of private data without modifying model weights. ERASE leverages structured, class-conditioned input perturbations to induce selective forgetting during inference, eliminating the need for retraining, fine-tuning, or model copies. We rigorously characterize sufficient conditions when ERASE provably achieves functional forgetting of designated subclasses while preserving predictions across other subclasses within the same superclass. This analysis offers a principled foundation for inference-time forgetting under mild regularity assumptions. Across diverse architectures and benchmark datasets, ERASE maintains the best observed balance between forgetting efficacy, computational efficiency, and retention fidelity over recent unlearning-based methods. By reimagining data removal as forgetting without unlearning, our work establishes a scalable, regulation-aligned pathway for continual, privacy-conscious learning.
• Abstract（参考訳）: 既存の未学習のアプローチは、一般的にポストホックの重み付けや蒸留に依存しており、重複したメモリコスト、一般化の低下、スケーラビリティの制限につながっている。 本研究では, モデル重みを変更することなく, プライベートデータの可観測的影響を抑えるためのフレームワークであるERASE, Erasure via Reconstructive Adversarial Signal Editingを紹介する。 ERASEは構造化されたクラス条件の入力摂動を利用して推論中の選択的忘れを誘発し、再トレーニング、微調整、モデルコピーを不要にする。 我々は、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、同じスーパークラス内の他のサブクラスの予測を保持しながら、十分な条件を厳格に特徴づける。 この分析は、緩やかな正則性仮定の下での推論時間を忘れるための原則化された基礎を提供する。 さまざまなアーキテクチャとベンチマークデータセットにまたがって、ERASEは、最近の未学習の手法に比べて、効率性、計算効率、保持率の最良のバランスを維持している。 データの削除を、未学習で忘れることとして再想像することで、当社の作業は、継続的でプライバシーを意識した学習のための、スケーラブルで規制に準拠した経路を確立します。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
  エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。 本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
  論文  参考訳（メタデータ） (2026-05-06T10:03:06Z)
• Efficient Unlearning through Maximizing Relearning Convergence Delay [27.079338164502634]
  重み空間と予測空間の両方の変化をキャプチャする「再学習収束遅延」と呼ばれる新しい指標を導入する。 このメトリクスは、未学習のモデルから回収された忘れられたデータのリスクを評価するために使用することができる。 本研究では,その性能を劣化させることにより,忘れる集合の影響を除去する影響排除フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T15:06:50Z)
• Reference-Guided Machine Unlearning [16.1797488074794]
  未学習はむしろ分布の不明瞭さを優先すべきであり、モデルがデータを忘れる際の振る舞いと、真に見えないデータに対する振る舞いとを一致させるべきだ、と私たちは主張する。 そこで本研究では, 参照ガイド型アンラーニング(RegUn)を提案する。このフレームワークは, 解離したホールトアウトデータセットを利用して, 蒸留の原理的, クラス参照を提供する。
  論文  参考訳（メタデータ） (2026-03-11T18:27:05Z)
• When Priors Backfire: On the Vulnerability of Unlearnable Examples to Pretraining [28.704214093822472]
  Unlearnable Examples (UEs) は、データ保護戦略として機能し、誤解を招くモデルに対して知覚できない摂動を発生させ、基礎となる意味論ではなく素早い相関を学習する。 本稿では,事前学習モデルから学習を開始すると現れるUEの基本的脆弱性を明らかにする。 本稿では,新しい二段階最適化法であるBAIT(Binding Artificial perturbations to Incorrect Targets)を提案する。
  論文  参考訳（メタデータ） (2026-03-05T02:10:40Z)
• 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)
• GUARD: Guided Unlearning and Retention via Data Attribution for Large Language Models [17.83305806604326]
  GUARDは、データ属性を通じて学習と保持をガイドするフレームワークである。 適応的で一様でないアンラーニングウェイトをサンプルに割り当て、逆にプロキシ属性スコアに比例する。 我々はGUARDが従来の手法に匹敵するメトリクスを忘れずに保持を大幅に改善する厳密な理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-06-12T17:49:09Z)
• 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)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Partially Blinded Unlearning: Class Unlearning for Deep Networks a Bayesian Perspective [4.31734012105466]
  マシン・アンラーニング(英: Machine Unlearning)とは、特定のデータセットやクラスに指定された情報を事前訓練されたモデルから選択的に破棄するプロセスである。 本研究では,事前学習した分類ネットワークから,特定の種類のデータに関連付けられた情報の目的的除去に適した手法を提案する。 本手法は,従来の最先端の未学習手法を超越し,優れた有効性を示す。
  論文  参考訳（メタデータ） (2024-03-24T17:33:22Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)

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。