論文の概要: Do Influence-Derived Data Perturbations Enable Machine Unlearning? A Controlled Study of Three Plausible Roles

• arxiv url: http://arxiv.org/abs/2609.12313v1
• Date: Fri, 11 Sep 2026 00:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.576361
• Title: Do Influence-Derived Data Perturbations Enable Machine Unlearning? A Controlled Study of Three Plausible Roles
• Title（参考訳）: インフルエンス依存データ摂動は機械学習を可能にするか? : 3つのプラチブルな役割の制御された研究
• Abstract要約: 深層摂動学習(DPL)の評価 DPLの摂動は、影響に起因した方向に沿って画像やラベルを訓練する。 CIFAR-10/ResNet-18の3組の種子の直接欠失基準を破る。
• 参考スコア（独自算出の注目度）: 2.91310609286149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We evaluate Deep Perturbation Learning (DPL), which perturbs training images and labels along influence-derived directions, in three roles in which prior work has positioned it for machine unlearning: a direct deletion signal (the strongest claim), a utility-preserving regularizer, and a warm start for adversarial unlearning. Evidence for the weaker roles has been used to support the stronger one, so we test each role separately under a matched protocol with exact-seed retraining baselines. An audit of the public implementation identifies two correctness issues: image directions are computed on augmented, normalized tensors but applied to raw images, and the label perturbation falls below float32 resolution, leaving labels unchanged. After correcting the image-perturbation pipeline, DPL fails the direct-deletion criterion on CIFAR-10/ResNet-18 in all three paired seeds. Its utility effects are inconsistent in sign across seeds, and once direction-computation time is counted it underperforms simple warm-start baselines. A one-seed Tiny ImageNet check likewise does not favor DPL as a regularizer or warm start; preprocessing inconsistencies in the released code make the direct comparison there inconclusive. These results cover random instance deletion only and do not rule out influence-based methods in other deletion regimes. We release a role-matched evaluation protocol and an audit checklist for perturbation-based deletion claims.
• Abstract（参考訳）: 本研究は, 直接削除信号(最強クレーム), 実用性保留正則化器, 対向的未学習の温かいスタートという3つの役割において, 影響に起因した方向に沿って画像やラベルを学習するDeep Perturbation Learning(DPL)を評価した。 より弱い役割の証拠は、より強力な役割をサポートするために使われてきたので、我々は、それぞれの役割を、正確に順序付けされたトレーニングベースラインを持つマッチしたプロトコルの下で、別々にテストする。 画像方向は正規化されたテンソル上で計算されるが、原画像に適用され、ラベルの摂動はfloat32解像度以下になり、ラベルは変わらない。 画像摂動パイプラインの修正後、DPLは3対のシードすべてにおいてCIFAR-10/ResNet-18の直接削除基準を破る。 その効用は種子間のサインの不整合であり、一度方向計算時間が数えられると、単純なウォームスタートベースラインを過小評価する。 ワンシードのTiny ImageNetチェックも、正規化やウォームスタートとしてDPLを好まない。 これらの結果はランダムなインスタンス削除のみをカバーし、他の削除体制における影響に基づくメソッドを除外しない。 我々は,摂動に基づく削除要求に対するロールマッチング評価プロトコルと監査チェックリストをリリースする。

関連論文リスト

• When Does Consensus Mean Correctness? Measuring the Agreement-Accuracy Coupling with Semantics-Preserving Re-Rendering [0.8594140167290097]
  ラベルのない信頼性信号として、摂動入力間のモデルの合意が使用される。 レンダリングは正確さと信頼性の両方で再サンプリングする。 モデル自身のクロスレンダーコンセンサスインバータを微調整する。
  論文  参考訳（メタデータ） (2026-08-06T07:08:05Z)
• Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies [33.432377306905735]
  タスクベクトル算術は、モデルを修正するためのクローズドフォームな方法を提供するが、クローズドループロボット制御において、その振る舞いの局所性は未だ不明である。 マルチタスク・ビジョン・ランゲージ・アクション(VLA: Multitask Vision-Language-action)ポリシーから,タスク・ベクターごとのタスク・ベクター・サブトラクションのターゲット・アンド・コントロール・監査を行う。
  論文  参考訳（メタデータ） (2026-08-05T10:59:53Z)
• CRAFT: Counterfactual Credit Assignment from Free Sibling Rollouts for Self-Distilled Agentic Reinforcement Learning [4.663685189987781]
  自己蒸留剤強化学習は、トークンレベルの蒸留損失で軌跡レベルの報酬を増大させる。 一般的なレシピでは、この損失を1つのスカラー、すなわち教師と学生の対数確率のギャップで埋める。 CRAFTは2つの制限に対処する3ピラー・クレジット・アサインメント方式である。
  論文  参考訳（メタデータ） (2026-06-28T16:11:47Z)
• When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection [56.362776482614976]
  本研究では,学習した視覚概念に対する制約を論理規則として与える環境での異常検出について検討する。 本稿では,各制約を有向非巡回グラフにコンパイルし,特徴認識サブツリーゲートを学習するニューラルルール評価器を提案する。 CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
  論文  参考訳（メタデータ） (2026-05-25T02:52:36Z)
• 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)
• ConeSep: Cone-based Robust Noise-Unlearning Compositional Network for Composed Image Retrieval [60.051600134831226]
  本稿では,アノテーションによるノイズトリプル対応 (NTC) 問題を系統的に検討する。 我々は,これらの課題に対処するために,コーンベースのrobuSt noisE-unlearning comPositional network (ConeSep)を提案する。
  論文  参考訳（メタデータ） (2026-04-22T08:59:21Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• SuperWarp: Supervised Learning and Warping on U-Net for Invariant Subvoxel-Precise Registration [14.819845435373397]
  近年、学習に基づく画像登録手法は、ターゲットのワープを直接監督することから離れ、代わりにセルフスーパービジョンを使用するようになった。 本稿では,教師付き登録手法の相対的失敗が,通常のU-Netの利用に原因があることを論じる。 変形予測から特徴抽出とマッチングを分離するU-Netに、単純だが重要な変更を導入する。
  論文  参考訳（メタデータ） (2022-05-15T23:17:32Z)
• Class Interference Regularization [7.248447600071719]
  対照的な損失は、人物の再識別、顔認証、少人数のショットラーニングのための最先端のパフォーマンスをもたらす。 我々は,新しい,シンプルで効果的な正規化手法であるクラス干渉正規化(CIR)を提案する。 CIRは、負のクラスの平均埋め込みに向かってランダムに移動することで出力特徴を摂動する。
  論文  参考訳（メタデータ） (2020-09-04T21:03:32Z)

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。