論文の概要: Concept Score Relearning: A Unified Cross-Architecture Attack on Concept Erasure

• arxiv url: http://arxiv.org/abs/2609.33445v1
• Date: Sun, 27 Sep 2026 10:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:48:57.807238
• Title: Concept Score Relearning: A Unified Cross-Architecture Attack on Concept Erasure
• Title（参考訳）: コンセプトスコア再学習 - 概念消去に対する統合されたクロスアーキテクチャアタック
• Abstract要約: 概念消去は、テキストから画像生成モデルにおける望ましくない知識を抑制することを目的としている。 ノイズ予測型U-Netとフローマッチング型トランスフォーマという,2つの実質的に異なる生成パラダイムにおける概念の再活性化について検討する。 textbfConcept Score Relearning (CSR) は、各モデルをネイティブな予測空間内で最適化することにより、消去概念を再活性化する統一パラメータレベルフレームワークである。
• 参考スコア（独自算出の注目度）: 12.724754608562163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept erasure aims to suppress undesirable knowledge in text-to-image generative models. However, existing robustness evaluations typically rely on relearning attacks tailored to specific model architectures. We study concept reactivation across two substantially different generative paradigms: noise-prediction U-Nets and flow-matching Transformers. We introduce \textbf{Concept Score Relearning (CSR)}, a unified parameter-level framework that reactivates erased concepts by optimizing each model within its native prediction space. CSR requires no external target-concept image dataset and applies the same concept-directed objective to both U-Net-based Stable Diffusion and Transformer-based FLUX. Experiments across diverse concepts and multiple erasure methods demonstrate consistent concept reactivation across both architectures, highlighting the cross-architecture applicability of CSR and the persistent recoverability of apparently erased concepts. For strict nudity, CSR reaches average ASRs of 50.47\% on FLUX and 40.29\% on Stable Diffusion, consistently ranking first across all evaluated safety settings.
• Abstract（参考訳）: 概念消去は、テキストから画像生成モデルにおける望ましくない知識を抑制することを目的としている。 しかし、既存の堅牢性評価は通常、特定のモデルアーキテクチャに適した再学習攻撃に依存している。 ノイズ予測型U-Netとフローマッチング型トランスフォーマという,2つの実質的に異なる生成パラダイムにおける概念の再活性化について検討する。 我々は,各モデルをそのネイティブな予測空間内で最適化することにより,消去概念を再活性化する,統一されたパラメータレベルフレームワークである‘textbf{Concept Score Relearning(CSR)’を紹介する。 CSRは外部のターゲットコンセプトイメージデータセットを必要としておらず、U-NetベースのStable DiffusionとTransformerベースのFLUXの両方に同じコンセプト指向の目的を適用している。 多様な概念と複数の消去手法による実験は、両アーキテクチャをまたいだ一貫した概念の再活性化を示し、CSRのクロスアーキテクチャ適用性と、明らかに消去された概念の永続的な回復性を強調している。 厳密なヌードについては、FLUXでは平均50.47\%、安定拡散では40.29\%に達する。

関連論文リスト

• Uni-AdaVD: Universal Concept Erasure for Visual Generation via Orthogonal Value Decomposition [62.947473058878565]
  視覚生成のための普遍的推論時概念消去フレームワークUni-AdaVDを提案する。 この結果から,Uni-AdaVDは現代の視覚生成モデルに対して,効率的かつ適応的な安全機構を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-16T03:16:51Z)
• FlowErase-RL: Rethinking Concept Erasure as Reward Optimization in Flow Matching Models [47.80885954469943]
  フローマッチングモデルでは、テキストから画像への生成品質が大幅に向上しただけでなく、安全性が向上した。 フローマッチングモデルにおける概念消去のための最初のGRPOベースのフレームワークであるemphFlowErase-RLを提案する。 本研究では,画像品質とセマンティックアライメントを維持しつつ,最先端の消去性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2026-05-19T12:10:09Z)
• DyME: Dynamic Multi-Concept Erasure in Diffusion Models with Bi-Level Orthogonal LoRA Adaptation [11.480659591569308]
  テキストから画像への拡散モデルは、著作権のあるスタイルを不注意に再現し、視覚的概念を保護し、法的および倫理的懸念を提起する。 概念消去は、微調整によってそのような概念を選択的に抑制することを目的とした安全保護として登場した。 我々は、軽量でコンセプト固有のLoRAアダプタを訓練し、推論に必要なものだけを動的に構成するオンデマンド消去フレームワークDyMEを提案する。
  論文  参考訳（メタデータ） (2025-09-25T15:16:17Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• Fine-Grained Erasure in Text-to-Image Diffusion-based Foundation Models [56.35484513848296]
  FADE(Fine grained Attenuation for Diffusion Erasure)は、テキストから画像への生成モデルのための非学習アルゴリズムである。 関連する概念に最小限の影響で目標概念を排除し、最先端の手法よりも保持性能が12%向上した。
  論文  参考訳（メタデータ） (2025-03-25T15:49:48Z)
• CRCE: Coreference-Retention Concept Erasure in Text-to-Image Diffusion Models [19.205261933636645]
  本稿では,新しい概念消去フレームワークCRCEを紹介する。 コアフェルデンシャルと保持概念を意味的に明示的にモデル化することにより、CRCEはより正確な概念除去を可能にする。 実験により、CRCEは様々な消去タスクにおいて既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-18T13:09:01Z)
• A Lightweight Deep Exclusion Unfolding Network for Single Image Reflection Removal [68.0573194557999]
  シングルイメージリフレクション除去(SIRR)は、標準的なブラインドソース分離問題である。 本稿ではSIRRのための新しいDeep Exclusion Unfolding Network(DExNet)を提案する。 DExNetは、単純な反復スパースと補助的特徴更新(i-SAFU)アルゴリズムの展開とパラメータ化によって構築される。
  論文  参考訳（メタデータ） (2025-03-03T07:54:27Z)

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。