論文の概要: Evaluating Machine Unlearning in ASR

• arxiv url: http://arxiv.org/abs/2609.34092v1
• Date: Mon, 28 Sep 2026 01:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:59:41.95897
• Title: Evaluating Machine Unlearning in ASR
• Title（参考訳）: ASRにおける機械学習の評価
• Abstract要約: マシン・アンラーニング(MU)は「忘れられる権利」の規則に準拠する道を提供する。 既存のMUアルゴリズムと評価ツールが自動音声認識(ASR)に適しているかを検討する。 逐次学習と同時学習の両方が、単目的学習よりもプライバシーと実用性が劣っていることを示す。
• 参考スコア（独自算出の注目度）: 57.06981631671086
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine unlearning (MU) offers a path to compliance with "right to be forgotten" regulations. While MU has received increasing attention for speech tasks, it remains largely unexplored for Automatic Speech Recognition (ASR). In this work, we investigate whether existing MU algorithms and evaluation tools are suitable for ASR. We apply several MU techniques to an ASR model, evaluating privacy-utility trade-offs for single-subject unlearning, then assess the best algorithm under sequential and simultaneous unlearning. Results show that gradient ascent-based algorithms achieve strong utility-privacy trade-offs, whereas more complex approaches over-unlearn samples, making them easier to identify as unlearned. This suggests standard privacy evaluations based on simple Membership Inference attacks are insufficient to reliably assess unlearning success, motivating improved evaluation methods for MU in ASR. Finally, we show that both sequential and simultaneous unlearning yield worse privacy and utility than single-subject unlearning, underscoring the need for unlearning constructions better suited to these settings.
• Abstract（参考訳）: マシン・アンラーニング(MU)は「忘れられる権利」の規則に準拠する道を提供する。 MUは音声タスクに注目が集まっているが、ASR(Automatic Speech Recognition)にはあまり注目されていない。 本研究では,既存のMUアルゴリズムと評価ツールがASRに適しているかを検討する。 いくつかのMU手法をASRモデルに適用し、単目的アンラーニングのためのプライバシユーティリティトレードオフを評価し、逐次かつ同時アンラーニングの下で最良のアルゴリズムを評価する。 その結果、勾配上昇に基づくアルゴリズムは強力なユーティリティプライバシトレードオフを実現するのに対し、より複雑なアプローチは未学習のサンプルを過度に扱い、未学習のサンプルを識別しやすくする。 これは、単純なメンバーシップ推論攻撃に基づく標準的なプライバシ評価は、未学習の成功を確実に評価するには不十分であり、ASRにおけるMUの評価方法の改善を動機付けていることを示唆している。 最後に、逐次学習と同時学習の両方で、単目的学習よりもプライバシーとユーティリティが悪くなることを示し、これらの設定に適した未学習構築の必要性を強調した。

関連論文リスト

• ERASE -- A Real-World Aligned Benchmark for Unlearning in Recommender Systems [53.62904488040001]
  提案するERASEは,推薦システムにおける機械学習のための大規模ベンチマークである。 ERASEは、コラボレーティブフィルタリング、セッションベースレコメンデーション、次世代レコメンデーションの3つのコアタスクにまたがる。 これには、センシティブなインタラクションやスパムを逐次削除するなど、現実世界のアプリケーションにインスパイアされた未学習シナリオが含まれている。
  論文  参考訳（メタデータ） (2026-03-09T13:00:23Z)
• LLM Unlearning Under the Microscope: A Full-Stack View on Methods and Metrics [10.638045151201084]
  本稿では,近年のステートフル・アンラーニング法12の原則的分類について述べる。 未学習効果(UE)、実用性維持(UT)、堅牢性(Rob)の評価を再考する。 分析の結果,Multiple-choice question (MCQ) の精度に支配される現在の評価は,狭い視点しか示さないことがわかった。
  論文  参考訳（メタデータ） (2025-10-08T23:47:05Z)
• OpenUnlearning: Accelerating LLM Unlearning via Unified Benchmarking of Methods and Metrics [82.0813150432867]
  我々は,大規模言語モデル(LLM)のアンラーニング手法とメトリクスをベンチマークするための標準フレームワークであるOpenUnlearningを紹介する。 OpenUnlearningは、13のアンラーニングアルゴリズムと16のさまざまな評価を3つの主要なベンチマークで統合する。 また、多様なアンラーニング手法をベンチマークし、広範囲な評価スイートとの比較分析を行う。
  論文  参考訳（メタデータ） (2025-06-14T20:16:37Z)
• Towards Lifecycle Unlearning Commitment Management: Measuring Sample-level Unlearning Completeness [30.596695293390415]
  補間近似測定(Interpolated Approximate Measurement, IAM)は、非学習推論用に設計されたフレームワークである。 IAMは、クエリされたサンプルに対するモデルの一般化適合行動ギャップを補間することにより、サンプルレベルの未学習完全性を定量化する。 IAMを最近の近似アンラーニングアルゴリズムに適用し、オーバーアンラーニングとアンダーアンラーニングの両方のリスクを明らかにする。
  論文  参考訳（メタデータ） (2025-06-06T14:22:18Z)
• Rethinking Machine Unlearning in Image Generation Models [59.697750585491264]
  CatIGMUは、新しい階層的なタスク分類フレームワークである。 EvalIGMUは包括的な評価フレームワークである。 高品質な未学習データセットであるDataIGMを構築した。
  論文  参考訳（メタデータ） (2025-06-03T11:25:14Z)
• MUBox: A Critical Evaluation Framework of Deep Machine Unlearning [13.186439491394474]
  MUBoxは、ディープラーニングにおける未学習の手法を評価するために設計された総合的なプラットフォームである。 MUBoxは23の高度なアンラーニング技術を統合し、11の多様な評価指標で6つの実践シナリオでテストされている。
  論文  参考訳（メタデータ） (2025-05-13T13:50:51Z)
• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• A bandit approach to curriculum generation for automatic speech recognition [7.008190762572486]
  本稿では,自動カリキュラム学習を用いて,学習データの欠如を緩和する手法を提案する。 このアプローチの目的は、難易度でランク付けされたミニバッチのトレーニングシーケンスを最適化することである。 我々は,本手法を真に低リソースな言語で検証し,ベースライン移行学習モデルに対して,帯域幅フレームワークが優れた改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-02-06T20:32:10Z)

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。