論文の概要: $μ^2$-Bench: A Multilingual Machine Unlearning Benchmark

• arxiv url: http://arxiv.org/abs/2609.20945v1
• Date: Thu, 17 Sep 2026 18:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.742617
• Title: $μ^2$-Bench: A Multilingual Machine Unlearning Benchmark
• Title（参考訳）: $μ^2$-Bench: マルチ言語マシンのアンラーニングベンチマーク
• Abstract要約: 望ましくない情報は、直接訓練と間接言語間拡散を通じて多言語大言語モデル(LLM)を介して伝播する。 MMUベンチマークである$2-Benchを導入し、様々な言語での記憶、未学習、評価の完全なパイプラインをシミュレートする。 MMUを成功させるためには、多言語の特徴を反映する手法と、MMUの深い洞察を提供するための分析が必要であることを示す。
• 参考スコア（独自算出の注目度）: 34.07109265180672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Undesired information such as harmful content and private data propagates through Multilingual Large Language Models (LLMs) via direct training and indirect cross-linguistic spread. Multilingual Machine Unlearning (MMU) aims to remove such information, yet its evaluation remains underexplored, leaving unclear whether unlearning truly eliminates target knowledge across all languages. To bridge this gap, we introduce $μ^2$-Bench, an MMU benchmark that simulates the full pipeline of memorization, unlearning, and evaluation across diverse languages. It 1) spans a broad set of languages, 2) evaluates on both training and hold-out languages, and 3) assesses knowledge as dispersed across multiple languages. We show that successful MMU requires methods that reflect multilingual characteristics, and conduct analysis to provide deeper insights into MMU.
• Abstract（参考訳）: 有害コンテンツやプライベートデータなどの望ましくない情報は、直接訓練と間接言語間拡散を通じて多言語大言語モデル(LLM)を介して伝播する。 MMU(Multilingual Machine Unlearning)は、そのような情報を削除することを目的としているが、その評価は未検討のままであり、アンラーニングが全ての言語を対象とする知識を真に排除するかどうかは不明である。 このギャップを埋めるために、MMUベンチマークである$μ^2$-Benchを導入する。 それ 1) 幅広い言語にまたがる。 2)訓練と保留言語の評価,および 3)複数の言語に分散した知識を評価する。 MMUを成功させるためには、多言語の特徴を反映した手法と、MMUの深い洞察を提供するための分析が必要であることを示す。

関連論文リスト

• Knowledge Beyond Language: Bridging the Gap in Multilingual Machine Unlearning Evaluation [30.69647061828668]
  多言語コーパスでは、MMU(Multilingual Machine Unlearning)は複数の言語にまたがる情報を削除することを目的としている。 以前のMMU評価では、そのような言語横断的な情報の分布を捉えられなかった。 本稿では,知識分離可能性スコア(KSS)と知識永続化スコア(KPS)の2つの指標を提案する。
  論文  参考訳（メタデータ） (2026-05-14T05:45:24Z)
• Learn Globally, Speak Locally: Bridging the Gaps in Multilingual Reasoning [39.03934159726098]
  M2Aは,マルチスケール多言語アライメントと,機械翻訳された質問に対する言語一貫性報酬を組み合わせた新しい手法である。 地理に基づく多言語事実推論ベンチマークであるGeoFact-Xと5言語での推論トレースを紹介する。 以上の結果から,M2Aは数学的および事実的推論タスクにおいて,多言語推論の忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-07-07T19:04:36Z)
• Crosslingual Capabilities and Knowledge Barriers in Multilingual Large Language Models [62.91524967852552]
  大規模言語モデル(LLM)は、多言語コーパスの事前訓練のため、一般的に多言語である。 しかし、これらのモデルは言語間の対応する概念、すなわち言語を横断的に関連付けることができるだろうか? 本研究は,言語横断的タスクにおける最先端LLMの評価である。
  論文  参考訳（メタデータ） (2024-06-23T15:15:17Z)
• Teaching LLMs to Abstain across Languages via Multilingual Feedback [40.84205285309612]
  多言語フィードバックは,多様な言語,文化,コミュニティ間の知識ギャップを識別する上で有効であることを示す。 大規模な実験により、多言語フィードバックアプローチは、様々な強いベースラインよりも優れていることが示された。 さらに分析したところ、多言語フィードバックは多言語話者に役立てるための効果的かつ公平な回避戦略であることがわかった。
  論文  参考訳（メタデータ） (2024-06-22T21:59:12Z)
• On the Evaluation Practices in Multilingual NLP: Can Machine Translation Offer an Alternative to Human Translations? [19.346078451375693]
  NLPにおける既存の評価フレームワークについて分析する。 より堅牢で信頼性の高い評価手法を提案する。 より単純なベースラインは,大規模多言語事前学習の恩恵を受けずに比較的高い性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-06-20T12:46:12Z)
• M3Exam: A Multilingual, Multimodal, Multilevel Benchmark for Examining Large Language Models [76.88692952308084]
  M3Examは、多言語、マルチモーダル、マルチレベルコンテキストにおける大規模言語モデル(LLM)を評価するためのベンチマークである。 M3Examには、9つの言語で12,317の質問があり、3つの教育レベルがある。 我々は,M3Exam上でのLLMの性能評価を行い,GPT-4を含む現在のモデルが多言語テキストに苦戦していることを確認した。
  論文  参考訳（メタデータ） (2023-06-08T13:21:29Z)
• LVP-M3: Language-aware Visual Prompt for Multilingual Multimodal Machine Translation [94.33019040320507]
  マルチモーダル機械翻訳(MMT)は、視覚的特徴を持つテキストのみの翻訳を強化することに焦点を当てている。 最近の進歩は、各言語ペアごとに別々のモデルをトレーニングすることに苦慮している。 7つの言語をカバーする2つのMultilingual MMTベンチマークデータセットを確立することで,Multilingual MMTタスクを提案する。
  論文  参考訳（メタデータ） (2022-10-19T12:21:39Z)
• Cross-lingual Machine Reading Comprehension with Language Branch Knowledge Distillation [105.41167108465085]
  言語間機械読解(CLMRC)は、ローソース言語に大規模なデータセットがないため、依然として難しい問題である。 本稿では,Language Branch Machine Reading (LBMRC) という新しい拡張手法を提案する。 LBMRCは、個々の言語に精通したMultiple Machine Read comprehension (MRC)モデルを訓練する。 複数の言語分岐モデルから全ての対象言語に対する単一モデルへのアマルガメート知識の多言語蒸留アプローチを考案する。
  論文  参考訳（メタデータ） (2020-10-27T13:12:17Z)
• X-FACTR: Multilingual Factual Knowledge Retrieval from Pretrained Language Models [103.75890012041366]
  言語モデル(LM)は、事実の知識を捉えるのに驚くほど成功した。 しかし、LMの実際の表現能力の研究は、ほぼ間違いなく英語で行われている。 我々は23の語型的多様言語に対するクローゼスタイルプローブのベンチマークを作成する。
  論文  参考訳（メタデータ） (2020-10-13T05:29:56Z)

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。