論文の概要: Can You Delete a Year of Market Data? Machine Unlearning Against Exact Retraining Oracles

• arxiv url: http://arxiv.org/abs/2609.26242v1
• Date: Thu, 13 Aug 2026 02:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.931355
• Title: Can You Delete a Year of Market Data? Machine Unlearning Against Exact Retraining Oracles
• Title（参考訳）: 1年分の市場データを削除することができるか? マシンアンラーニングによるOracleの厳格なリトレーニングに反対
• Abstract要約: データライセンスが切れると、記憶されているレコードを削除することは、トレーニングされた予測装置にエンコードされた影響を除去しない。 我々は、要求された期間なしに、全てのデータとオラクルでトレーニングされた3,200のペア参照による時間的アンラーニングをベンチマークした。
• 参考スコア（独自算出の注目度）: 2.863100352151122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a data license expires, deleting stored records does not remove influence encoded in a trained forecaster. Machine unlearning seeks to remove this influence without retraining. We benchmark temporal unlearning with 3,200 paired references trained on all data and oracles retrained without the requested period. The grid covers five architectures, four rolling folds, five deletable years, and three experimental deletion levels on an S&P 500 volatility panel. The 2020 COVID crisis year produces the largest memorization gap for every architecture. Removing it improves all three deployable models in every fold, with the largest improvement in the 2022 bear market, while the two non-deployable models respond inconsistently. The target for approximate unlearning is the oracle, not low predictive accuracy on the deleted period. In one Transformer cell, an oracle that never trained on 2020 still predicts it at an information coefficient of 0.51, compared with 0.55 for the reference; pushing predictions toward noise reduces test skill. Across twelve deployable architecture-method pairs, only TSMixer with the hinge method remains near the oracle in every fold, closing 74-118% of the reference-to-oracle gap without a measurable loss of test skill. Method rankings vary across architectures and rolling windows. Audit separation rises with prior memorization but can remain small after exact deletion. The window-level loss comparison reaches at most 0.69, and treating stock-level windows as independent inflates the absolute t-statistic by a median factor of 1.9. These results call for an explicit deletion scope, oracle validation for the relevant architecture and window, and power-aware auditing.
• Abstract（参考訳）: データライセンスが切れると、記憶されているレコードを削除することは、トレーニングされた予測装置にエンコードされた影響を除去しない。 機械学習は、この影響を再訓練せずに取り除こうとする。 我々は、要求された期間なしに、全てのデータとオラクルでトレーニングされた3,200のペア参照による時間的アンラーニングをベンチマークした。 グリッドは、S&P 500ボラティリティパネル上の5つのアーキテクチャ、4つのローリングフォールド、5つの削除可能な年、3つの実験的削除レベルをカバーしている。 2020年の新型コロナウイルス(COVID-19)危機は、すべての建築で最大の記憶のギャップを生んでいる。 取り除くことで、すべての折り畳み式モデルが改良され、2022年のベア市場で最も改善され、2つの非デプロイ可能なモデルは矛盾なく反応する。 近似アンラーニングのターゲットはオラクルであり、削除された期間の予測精度は低くない。 あるトランスフォーマーセルでは、2020年に訓練されなかったオラクルが情報係数0.51で予測し、基準は0.55で、ノイズに対する予測はテストスキルを低下させる。 12組の配置可能なアーキテクチャとメソッドのペアで、ヒンジ方式のTSMixerのみが各折り畳みのオラクル付近に留まり、測定可能なテストスキルを損なうことなく、参照とオーラルのギャップの74-118%を閉じる。 メソッドランキングは、アーキテクチャやローリングウィンドウによって異なる。 オーディットの分離は、前回記憶によって上昇するが、正確な削除後に小さく保つことができる。 ウィンドウレベルの損失比較は少なくとも0.69に達し、ストックレベルのウィンドウを独立したものとして扱い、絶対t統計を1.9の中央値で膨らませる。 これらの結果は、明示的な削除スコープ、関連するアーキテクチャとウィンドウに対するオラクルの検証、パワーアウェアな監査を要求する。

関連論文リスト

• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Deterministic Decisions for High-Stakes AI. A Zero-Egress Pipeline with the Deployability of RAG and the Accuracy of Machine Learning [0.0]
  インターベンションバイアス(英語: Intervention bias)は、大規模言語モデル教育アドバイザリーエージェントの以前には確立されていなかった障害モードである。 教師付き政策学習は、このバイアスを排除していることを示す。 LLM-as-judge score is blind to intervention bias, rewarding fluent over-prescription rather than decision quality。
  論文  参考訳（メタデータ） (2026-06-28T08:58:17Z)
• Do LLM Attribution Metrics Transfer? Auditing Retrieval-Augmented Generation Evaluation Across Datasets and Constructs [11.997694190254974]
  しばしば、帰属のための自動メトリクスを交換可能なものとして扱う。 3つの評価項目にまたがって8つの自動スコアを監査する。 評価器を選択するための単純な"best-on-average"ルールは、そのままのデータセットアウトに失敗する。
  論文  参考訳（メタデータ） (2026-06-22T20:25:36Z)
• Control-Plane Placement Shapes Forgetting: An Architectural Study of Agent Memory Across Thirteen System Configurations [1.2763567932588586]
  ForgetEvalは1000ケースのテンプレート・スイートと385ケースの対向層(手作り+253 LLMのオラクル・バリデーション) 決定論的プリミティブは語彙的・時間的カテゴリーで十分だが、正準化に失敗する。 1000ケースのテンプレートスイートと385ケースの反対層であるForgetEvalを通じて、トレードオフを公開しています。
  論文  参考訳（メタデータ） (2026-06-14T16:32:15Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• MEMTIER: Tiered Memory Architecture and Retrieval Bottleneck Analysis for Long-Running Autonomous AI Agents [6.8552591401084015]
  提案するMEMTIERは,OpenClawエージェントのための三部構成メモリアーキテクチャである。 完全なLongMemEval-Sベンチマークでは、MEMTIERは6GBのGPU上でQwen2.5-7BでAcc.382, F1=.412を達成する。 DeepSeek-V4-Flashでは、シングルセッションリコールは0.686-0.714に達し、これらのカテゴリのRAG GPT-4oを上回っている。
  論文  参考訳（メタデータ） (2026-05-05T12:14:10Z)
• Anatomy of Unlearning: The Dual Impact of Fact Salience and Model Fine-Tuning [59.19460954480119]
  忘れられた知識が事前学習や教師付き微調整に由来するかどうかを考察する。 実験の結果,事前学習モデルとSFTモデルは未学習に対して異なる反応を示した。
  論文  参考訳（メタデータ） (2026-02-23T08:58:48Z)
• Diffusion Language Models are Super Data Learners [61.721441061210896]
  ユニークなデータが限られている場合、拡散言語モデル(DLM)は、よりエポックなトレーニングによって、常に自己回帰モデル(AR)を上回ります。 本研究の目的は,(1) 任意の次数モデリング,(2) 反復的双方向 denoising からの超高次計算,(3) モンテカルロ増分という3つの複合的要因に起因する。
  論文  参考訳（メタデータ） (2025-11-05T08:17:42Z)

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。