論文の概要: Open Vocabulary Domain Unlearning

• arxiv url: http://arxiv.org/abs/2609.31356v1
• Date: Fri, 25 Sep 2026 14:52:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.445772
• Title: Open Vocabulary Domain Unlearning
• Title（参考訳）: Open Vocabulary Domain Unlearning
• Abstract要約: VLM(Vision-Language Models)は、目覚ましいゼロショットの一般化を示す。 彼らはしばしば望ましくない、または有害なスタイルのドメインを符号化する。 Approximate Domain Unlearning (ADU) は、対象の視覚領域に対するモデルの認識を選択的に消去することを目的としている。
• 参考スコア（独自算出の注目度）: 41.315546824226566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models (VLMs) exhibit remarkable zero-shot generalization, yet they often encode unwanted or hazardous stylistic domains such as idealized textbook diagrams in medical AI or cartoon vehicles in autonomous driving. Approximate Domain Unlearning (ADU) aims to selectively erase a model's recognition of a target visual domain while preserving accuracy on the remaining domains. However, existing ADU methods operate under a flawed closed-vocabulary assumption: they evaluate unlearning solely on the specific object classes seen during the unlearning fine-tuning phase. Consequently, these methods do not unlearn the domain itself; they merely overfit to seen class-domain pairs, leaving the domain easily recognizable for unseen classes and providing a false sense of removal. We argue that true domain erasure must be class-agnostic. To address this, we formalize Open-Vocabulary Domain Unlearning (OVDU), a rigorous protocol that mandates domain forgetting must transfer to held-out classes. To solve the OVDU challenge, we propose a surgical parameter-editing framework. First, a Fisher Information mask isolates domain-sensitive weights, mathematically protecting foundational zero-shot generalization. Second, our Targeted Manifold Scattering (TMS) objective uses preference-based mining to locally scatter the forget domain's stylistic geometry. Evaluated across PACS, OfficeHome, and DomainNet, our method vastly improves open-vocabulary generalization over existing baselines. Crucially, it delivers exceptional sample efficiency, outperforming peak 8-shot baseline results with only 4 shots.
• Abstract（参考訳）: VLM(Vision-Language Models)は、目覚ましいゼロショットの一般化を示すが、医療AIの理想化された教科書図や自律運転の漫画車両のような、望ましくない、または危険なスタイルのドメインを符号化することが多い。 Approximate Domain Unlearning (ADU) は、モデルが対象とする視覚領域の認識を選択的に消去し、残りの領域の精度を維持することを目的としている。 しかし、既存のADUメソッドは、未学習の微調整フェーズで見られる特定のオブジェクトクラスのみに未学習を評価するという、欠陥のあるクローズドボキャブラリー仮定の下で動作している。 その結果、これらのメソッドはドメイン自体を解放するものではなく、単にクラスとドメインのペアを見るのに相応しいだけであり、ドメインは見当たらないクラスに容易に認識でき、削除の誤った感覚を与える。 真のドメイン消去はクラス非依存でなければならない、と私たちは主張する。 これを解決するために,ドメインを忘れないように命じる厳格なプロトコルであるOpen-Vocabulary Domain Unlearning (OVDU) を定式化した。 OVDUの課題を解決するために,手術用パラメータ編集フレームワークを提案する。 まず、フィッシャー・インフォメーション・マスクはドメインに敏感な重みを分離し、基礎的なゼロショットの一般化を数学的に保護する。 第二に、TMS(Targeted Manifold Scattering)の目的は、好みに基づくマイニングを使用して、忘れ領域のスタイル幾何学を局所的に散布することである。 PACS、OfficeHome、DomainNetで評価し、既存のベースラインに対するオープン語彙の一般化を大幅に改善する。 重要な点として、サンプル効率が極めて高く、ピーク時の8ショットのベースラインの成績はわずか4ショットで上回っている。

関連論文リスト

• Approximate Domain Unlearning for Vision-Language Models [22.8689039971533]
  本稿では,特定の領域の画像の認識精度を低下させる新しい問題設定であるADU(Approximate Domain Unlearning)を紹介する。 ADUは、事前訓練されたビジョンランゲージモデルの強力なドメイン一般化能力のために、新しい技術的課題を提示している。 本稿では,ドメイン分布を明示的に切り離し,インスタンス固有のドメイン情報を適応的にキャプチャする手法を提案する。
  論文  参考訳（メタデータ） (2025-10-09T12:17:59Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Domain Adaptation via Prompt Learning [39.97105851723885]
  Unsupervised Domain Adaption (UDA) は、十分にアノテーションされたソースドメインから学習したモデルをターゲットドメインに適応させることを目的としている。 我々は,Prompt Learning (DAPL) によるドメイン適応という,UDAのための新しいプロンプト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2022-02-14T13:25:46Z)
• Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
  モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応セマンティックセマンティックセマンティックセマンティクスについて検討する。 本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。 私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
  論文  参考訳（メタデータ） (2021-10-13T04:12:27Z)
• Adversarial Domain Adaptation with Self-Training for EEG-based Sleep Stage Classification [13.986662296156013]
  本研究では,未ラベル対象領域におけるドメインシフト問題に対処するための新しい逆学習フレームワークを提案する。 まず、ソースドメインとターゲットドメインのドメイン固有の特徴を保存するために、非共有アテンションメカニズムを開発する。 第2に、ターゲットドメインの擬似ラベルを用いて、ソースおよびターゲットドメインの細粒度分布クラスを調整するための自己学習戦略を設計する。
  論文  参考訳（メタデータ） (2021-07-09T14:56:12Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment [11.74643883335152]
  教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。 本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。 我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
  論文  参考訳（メタデータ） (2020-08-19T13:36:57Z)
• Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain Adaptation [7.538482310185133]
  本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。 Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
  論文  参考訳（メタデータ） (2020-05-25T19:54:38Z)

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。