Fugu-MT 論文翻訳(概要): Mitigating Sequential Reappearance in Diffusion Data-Point Unlearning

論文の概要: Mitigating Sequential Reappearance in Diffusion Data-Point Unlearning

arxiv url: http://arxiv.org/abs/2609.25166v1
Date: Mon, 21 Sep 2026 12:52:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-23 18:04:04.049913
Title: Mitigating Sequential Reappearance in Diffusion Data-Point Unlearning
Title（参考訳）: 拡散データポイントアンラーニングにおける逐次再出現の軽減
Abstract要約: 逐次再出現は、最初に忘れられると判断されたインスタンスが後に記憶された状態に戻る障害モードである。ターゲットレベルの評価プロトコルを導入し、各ターゲットが即座に忘れられるか、シーケンスの最後に忘れられるか、削除時に再び現れるかを追跡する。
参考スコア（独自算出の注目度）: 17.82073516055409
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion data-point unlearning is typically evaluated immediately after each deletion, even though subsequent requests may repeatedly update the same model. We identify sequential reappearance, a failure mode in which an instance that is initially judged to be forgotten later returns to the memorized regime without reuse of the deleted data or adversarial fine-tuning. To capture this behavior, we introduce a target-level evaluation protocol that tracks whether each target is forgotten immediately, remains forgotten at the end of the sequence, or reappears during subsequent deletions. We further find that targets that later reappear exhibit sharper local denoising-loss geometry after deletion than targets that remain forgotten.
Abstract（参考訳）: 拡散データポイントのアンラーニングは通常、削除の直後に評価される。我々は、最初に忘れられると判断されたインスタンスが、削除されたデータや敵の微調整を再利用することなく、後に記憶された状態に戻る障害モードであるシーケンシャルな再出現を識別する。この振る舞いを捉えるために、ターゲットレベル評価プロトコルを導入し、各ターゲットが即座に忘れられるか、シーケンスの最後に忘れられるか、削除時に再び現れるかを追跡する。さらに、後に現れたターゲットは、忘れられたターゲットよりも、削除後の局所的なデノジング・ロス・ジオメトリがより鮮明に示されることが判明した。

関連論文リスト

Forgetting Without Restarting: Execution-State Unlearning for Stateful LLM Agents [12.985773309621964]
Provenance-Guided Selective Replayは、プロンプト、圧縮メモリ、キャッシュにまたがるクロスレイヤコントラクトとしてバインドされる。我々は,3つのエージェントスイート,9つのベースライン,3つのモデルファミリに対して,エレケーション,キャッシュ,文字列フリーな動作テストで監査を行った。
論文参考訳（メタデータ） (2026-09-04T08:31:40Z)
When Unlearning Fails: Reliable Data Deletion under Post-Training in Agent Networks [5.926889190694357]
本研究では,Muting Unlearned TrajectoriesのEchoesメソッドであるMUTEを提案する。 MUTEは、軽量サーバ台帳からの下流の影響を推定し、忘れがちな更新によって現在の残余を除去し、隔離または下降重みによる高影響の保持された軌跡を含ませ、後続の振る舞いを監査して、追加の消去をスケジュールする。
論文参考訳（メタデータ） (2026-07-30T20:41:53Z)
Deployment-Time Memorization in Foundation-Model Agents [18.40535884093806]
個人化リコール(PR)と適応抽出レート(AER)によるプライバシユーティリティフロンティアとしてのエージェントメモリの検討キーファクト要約は、ほとんどすべてのパーソナライズリコールを維持しながら、Gemma 3 12Bで76%、GPT-4o-miniで64%のカナリア抽出を減少させる。 LongMemEvalでは、キーファクトの要約はGemma 3 12Bで76%、GPT-4o-miniで64%のカナリア抽出を減らし、ほぼすべてのパーソナライズリコールを保存する。
論文参考訳（メタデータ） (2026-06-08T18:38:41Z)
Protecting the Undeleted in Machine Unlearning [21.833252081084996]
本稿では,削除を伴わずに安全に計算できるタスクに対して,完全再トレーニングに固執するメカニズムにより,削除要求を発行するだけで,ほぼ全てのデータセットを再構築できることを示す。我々は,他の点の削除による漏洩に対して,未削除データを特に保護する,新たなセキュリティ定義を提案する。
論文参考訳（メタデータ） (2026-02-18T18:44:21Z)
Suppression or Deletion: A Restoration-Based Representation-Level Analysis of Machine Unlearning [24.40457827994831]
本稿では,機械学習のための復元に基づく新しい分析フレームワークを提案する。画像分類タスクにおいて、我々のフレームワークを12の非学習手法に適用すると、ほとんどの手法が高い回復率を達成することが分かる。表現レベルの検証を優先する新たな評価ガイドラインを提案する。
論文参考訳（メタデータ） (2026-02-18T07:46:30Z)
Decoupling the Class Label and the Target Concept in Machine Unlearning [81.69857244976123]
機械学習の目的は、トレーニングデータの一部を除外した再トレーニングされたモデルを近似するために、トレーニングされたモデルを調整することだ。過去の研究では、クラスワイド・アンラーニングが対象クラスの知識を忘れることに成功していることが示された。我々は、TARget-aware Forgetting (TARF) という一般的なフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-12T14:53:30Z)
Mitigating the Learning Bias towards Repetition by Self-Contrastive Training for Open-Ended Generation [92.42032403795879]
GPT2のような事前訓練された言語モデル(LM)は、繰り返しテキストを生成する傾向にあることを示す。トークンレベルの反復確率の過大評価は学習バイアスに起因している。 LMは文レベルの繰り返しループの原因となる非繰り返しトークンよりも長い範囲依存を用いて繰り返しトークンを予測する。
論文参考訳（メタデータ） (2023-07-04T07:53:55Z)
Learning to Unlearn: Instance-wise Unlearning for Pre-trained Classifiers [71.70205894168039]
そこでは、事前訓練されたモデルからインスタンスのセットに関する情報を削除することを目標としています。本稿では,1)表現レベルでの忘れを克服するために,敵の例を活用すること,2)不必要な情報を伝播するネットワークパラメータをピンポイントする重み付け指標を活用すること,の2つの方法を提案する。
論文参考訳（メタデータ） (2023-01-27T07:53:50Z)
Online Multi-Object Tracking with Unsupervised Re-Identification Learning and Occlusion Estimation [80.38553821508162]
異なるオブジェクト間のオクルージョンは、MOT(Multi-Object Tracking)の典型的な課題である本稿では,これらの問題に対処する2つの新しいモジュールを設計し,オンラインマルチオブジェクト追跡に焦点を当てる。提案した教師なし再識別学習モジュールは、(疑似)識別情報を一切必要とせず、スケーラビリティの問題に悩まされることもない。本研究は、最先端MOT法に適用した場合、教師なし再識別学習は教師なし再識別学習に匹敵するものであることを示す。
論文参考訳（メタデータ） (2022-01-04T18:59:58Z)

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。