論文の概要: What Does It Mean to Forget a Person? Individual-Level Unlearning in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.33481v1
• Date: Sun, 27 Sep 2026 11:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:27:51.243747
• Title: What Does It Mean to Forget a Person? Individual-Level Unlearning in Vision-Language Models
• Title（参考訳）: 人を見守ることとは何か? 視覚・言語モデルにおける個人レベルのアンラーニング
• Abstract要約: IDUnlearn-BenchはVision-Language Models (VLM)における個人レベルのマルチモーダル・アンラーニングのための最初のベンチマークである 属性中心の記憶が成功すると、かなりのアイデンティティレベルの知識がそのまま残され、モノトニックではないことがよく示される。
• 参考スコア（独自算出の注目度）: 6.363601721461684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Erasing individual identities from Vision-Language Models (VLMs) is uniquely challenging because personal data is entangled across modalities rather than stored as isolated attributes. However, existing multimodal unlearning benchmarks primarily evaluate attribute-centric forgetting, overlooking the more critical objective of individual-level unlearning: eliminating a model's ability to access, link, and reconstruct target-related information across modalities. To address this gap, we propose IDUnlearn-Bench, the first benchmark for individual-level multimodal unlearning in VLMs. It represents each individual as connected multimodal evidence and evaluates four task families: attribute access, identity access, identity binding, and identity reconstruction. Experiments on representative VLMs and unlearning methods show that successful attribute-centric forgetting often leaves substantial identity-level knowledge intact and can be non-monotonic: reducing one form of risk may amplify another. Models may suppress selected information while still identifying the target, linking records, or reconstructing the individual. These findings reveal a fundamental gap between forgetting information about a person and forgetting the person as a whole.
• Abstract（参考訳）: VLM(Vision-Language Models)から個々のアイデンティティを消去することは、個人データが独立した属性として格納されるのではなく、モダリティにまたがっているため、非常に難しい。 しかし、既存のマルチモーダルなアンラーニングベンチマークは属性中心の忘れを主に評価し、個々のレベルのアンラーニングのより重要な目的を見落としている。 このギャップに対処するため、VLMにおける個人レベルのマルチモーダルアンラーニングのための最初のベンチマークであるIDUnlearn-Benchを提案する。 これは、各個人を接続されたマルチモーダルエビデンスとして表現し、属性アクセス、アイデンティティアクセス、アイデンティティバインディング、アイデンティティ再構築の4つのタスクファミリーを評価する。 代表的なVLMと未学習の手法の実験では、属性中心の忘れ込みが成功すると、かなりのアイデンティティレベルの知識がそのまま残され、モノトニックではないことがしばしば示される。 モデルは、ターゲットを特定し、記録をリンクしたり、個人を再構成したりしながら、選択した情報を抑制することができる。 これらの結果から, 個人の情報を忘れることと, 全体の情報を忘れることの根本的なギャップが明らかとなった。

関連論文リスト

• Where Identity Lives: Localized, Retain-Free Identity Unlearning in Multimodal Large Language Models [33.31500669671185]
  認識を損なう、共有された視覚言語計算にダメージを与える。 私たちはこれをPathway-Aware Visual-Atribute Anchoring (PAVA)に変換し、これらのレイヤを更新し、忘れられたイメージからモデル自身の事前学習回答を抽出することで、画像のグラウンドドビヘイビアを保存するビジュアル-アトリビュートアンカーとペアリングする。 MLLMU-Bench と ReMem では、PAVA はリザーブセットのみの手法の中で最強のレザーブ・リザーブ・リザーブ・トレードオフを提供し、リザーブ・ベースラインとの競争力を維持している。
  論文  参考訳（メタデータ） (2026-08-31T11:51:05Z)
• AIM: Anchor Identity Features, Then Match for Multimodal Large Language Model Unlearning [33.31500669671185]
  保存画像が削除時に利用できない場合のアイデンティティ・アンラーニングについて検討する。 分析の結果,身元と視覚知覚の問題が,微調整された隠蔽状態の異なる領域を占めることが明らかとなった。 AIMは,視覚的プロンプトを固定し,そのターゲットに視覚エンコーダをマッチングする2段階の手法である。
  論文  参考訳（メタデータ） (2026-08-28T13:22:22Z)
• Toward Fine-Grained Forgetting:Attribute Unlearning for Multimodal Large Language Models [24.764929711765944]
  マシンアンラーニングは、汎用性を維持しながら、スクラッチからリトレーニングすることなく、指定された知識を除去しようとする。 既存のプライバシ指向のベンチマークでは、主にプロファイルレベルの削除が採用されているが、実用的な要求はよりきめ細かいものが多い。 属性レベルのMLLMアンラーニングをよりきめ細かなタスクとして導入し、長文、数値、短文ターゲット、複数忘れ率、多様な質問タイプにまたがるベンチマークを構築した。 評価の結果,対象属性と保持属性が識別特異性および視覚的証拠を共有していることが判明した。
  論文  参考訳（メタデータ） (2026-08-02T05:23:44Z)
• PIU: Proximity-guided Identity Unlearning in ID-Conditioned Diffusion Models [2.260041671242786]
  我々は、顔生成のための最先端のアイデンティティ条件付き潜時拡散モデルであるArc2Faceでアイデンティティアンラーニングを研究する。 本稿では,Pu(Proximity-guided Identity Unlearning)について紹介する。
  論文  参考訳（メタデータ） (2026-05-21T10:55:56Z)
• AnyID: Ultra-Fidelity Universal Identity-Preserving Video Generation from Any Visual References [52.81991915377852]
  我々は,超忠実なアイデンティティ保存ビデオ生成フレームワークであるAnyIDを提案する。 まず,不均一な同一性入力を結合表現に効果的に統一する,スケーラブルなオムニ参照アーキテクチャを提案する。 第2に、1つの参照を標準アンカーとして指定し、新しい微分プロンプトを用いて正確な属性レベルの制御を可能にする一次参照生成パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-26T08:54:48Z)
• ChatReID: Open-ended Interactive Person Retrieval via Hierarchical Progressive Tuning for Vision Language Models [49.09606704563898]
  人物の再識別はコンピュータビジョンにおいて重要な課題であり、重複しないカメラビューを通して個人を認識することを目的としている。 本稿では,テキストを優先した検索パラダイムに焦点を移し,フレキシブルかつインタラクティブな再識別を可能にする新しいフレームワークChatReIDを提案する。 本稿では,人物属性の理解からきめ細かい画像検索,マルチモーダルタスク推論に至るまで,3段階のチューニングを通じてRe-ID能力を実現する階層的プログレッシブチューニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-27T10:34:14Z)
• Multi-Prompts Learning with Cross-Modal Alignment for Attribute-based Person Re-Identification [18.01407937934588]
  本稿では,素早い学習と言語モデルに基づくMP-ReID(Multi-Prompts ReID)という新しいフレームワークを提案する。 MP-ReIDは、クエリイメージを記述するために、多様で情報的、即応的な文を幻覚させることを学ぶ。 明示的なプロンプトは、ChatGPTやVQAモデルといった世代モデルをアンサンブルすることで得られる。
  論文  参考訳（メタデータ） (2023-12-28T03:00:19Z)
• Learning Cross-modality Information Bottleneck Representation for Heterogeneous Person Re-Identification [61.49219876388174]
  Visible-Infrared person re-identification (VI-ReID)は、インテリジェントビデオ監視において重要かつ困難な課題である。 既存の手法は主に共有特徴空間の学習に重点を置いており、可視光と赤外光の相違を減らす。 本稿では,新しい相互情報・モダリティコンセンサスネットワーク,すなわちCMInfoNetを提案し,モダリティ不変な同一性の特徴を抽出する。
  論文  参考訳（メタデータ） (2023-08-29T06:55:42Z)
• Body Part-Based Representation Learning for Occluded Person Re-Identification [102.27216744301356]
  隠蔽人物再識別(ReID)とは,隠蔽人物画像と包括的人物画像とのマッチングを目的とした人物検索タスクである。 パートベースの手法は、微細な情報を提供し、部分的に見える人間の体を表現するのに適しているため、有益であることが示されている。 本稿では,BPBreIDという身体部分に基づくReIDモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-07T16:48:41Z)
• Unsupervised Pre-training for Person Re-identification [90.98552221699508]
  大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。 学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
  論文  参考訳（メタデータ） (2020-12-07T14:48:26Z)
• Intra-Camera Supervised Person Re-Identification [87.88852321309433]
  本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。 これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。 MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
  論文  参考訳（メタデータ） (2020-02-12T15:26:33Z)

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。