論文の概要: Bounding Retraining Equivalence and the Deletion Floor in Materials Machine Unlearning

• arxiv url: http://arxiv.org/abs/2609.35635v1
• Date: Mon, 28 Sep 2026 17:03:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:06:31.991938
• Title: Bounding Retraining Equivalence and the Deletion Floor in Materials Machine Unlearning
• Title（参考訳）: 教材機械の学習における学習時間と削除床のバウンディング
• Abstract要約: 材料機械学習では、特定の記録を削除した後でも、密接に関連する保持構造が正確な特性予測を維持できる。 削除要求において,削除フロアを指定されたトレーニング手順の下で,期待される目標損失として定義する。
• 参考スコア（独自算出の注目度）: 2.3982445219832678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In materials machine learning, closely related retained structures can sustain accurate property predictions even after removing a specific record, rendering post-deletion prediction error an ambiguous metric for machine unlearning. To resolve this ambiguity, we define the deletion floor as the expected target loss under a specified retraining procedure at the deleted request. Standard indistinguishability constraints yield a sharp interval bounding an update's target loss around this baseline reference. Theoretically, a conditional neighbor bound links a low deletion floor directly to retained fit, prediction regularity, and local label agreement, while an exact ridge identity isolates residual fit from the prediction change induced by record deletion. Empirically, controlled redundancy sweeps show an $\approx 8\times$ drop in median normalized retraining loss when one retained relative remains after deletion. Across two distinct fitting regimes in a paired Materials Project study, the lower-floor regime also exhibits a larger prediction change on more than 50% of the shared requests. Systematic comparisons against approximate updates and the original model decouple deliberate target suppression from preserved overall model utility. Consequently, request-level unlearning evaluations should report reference loss, prediction change, and retained utility together, interpreting post-deletion accuracy against what retraining itself leaves behind.
• Abstract（参考訳）: 材料機械学習において、密接に関連する保持構造は、特定のレコードを削除した後でも正確な特性予測を維持でき、削除後の予測誤差を機械学習の曖昧な指標とする。 このあいまいさを解決するため、削除要求時に指定されたトレーニング手順の下で、削除フロアを期待対象損失として定義する。 標準的な区別不能な制約は、更新の目標損失をベースライン参照の周囲に制限するシャープな間隔をもたらす。 理論的には、条件付き隣のバウンダリは、低い削除フロアを直接、保持された適合性、予測正則性、および局所ラベル合意にリンクするが、正確なリッジアイデンティティは、レコード削除によって引き起こされる予測変化から残留適合を分離する。 経験的に、コントロールされた冗長性スイープは、削除後の親戚が残存している場合、中央値の正規化再トレーニング損失が$\approx 8\times$減少することを示している。 2組のマテリアル・プロジェクト(英語版)研究における2つの異なる適合体制全体において、下層構造は共有要求の50%以上に対してより大きな予測変化を示す。 近似更新に対する体系的比較と、元のモデルは、保存された全体モデルユーティリティから意図的な目標抑圧を分離する。 その結果、要求レベルの未学習評価では、参照損失、予測変更、および継続ユーティリティを報告し、再学習が残すものに対する削除後の精度を解釈する必要がある。

関連論文リスト

• DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
  ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。 メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
  論文  参考訳（メタデータ） (2026-09-23T03:06:01Z)
• On-the-go Forgetting without Explicit Unlearning via ERASE [2.6426981014417046]
  ERASEは、モデルウェイトを変更することなく、プライベートデータの観測可能な影響を抑制する、現在進行中の忘れ物のためのフレームワークである。 ERASEが指定されたサブクラスの機能的忘れを確実に達成した場合に、十分な条件を厳格に特徴付ける。 ERASEは、最近の未学習手法よりも、有効性を忘れること、計算効率、保持率の最良のバランスを維持している。
  論文  参考訳（メタデータ） (2026-09-05T08:09:27Z)
• REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
  我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。 REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。 このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
  論文  参考訳（メタデータ） (2026-08-31T11:34:19Z)
• To Erase, or Not to Erase: Robust Training-Free Concept Erasure with Preservation aware Adaptive Ranked Subspace Expansion [10.950549540413528]
  概念消去技術は、テキストから画像への拡散モデルを編集し、NSFWコンテンツや著作権のあるスタイルのような望ましくないターゲットを消去する。 現在のCETは、消去とユーティリティのトレードオフに直面している。 本稿では,潜在拡散モデルにおけるロバストな概念消去のためのトレーニングフリーフレームワークであるParservation-Aware Adaptive Ranked Subspace Expansion (PARSE)を提案する。
  論文  参考訳（メタデータ） (2026-07-26T06:35:31Z)
• Forgetting Has Neighbors: Localized Collateral Forgetting in Machine Unlearning [28.628342735283752]
  機械学習は、選択したトレーニング例の影響を、完全なリトレーニングなしで除去することを目的としている。 標準的な評価では、未学習の質を、正確さや忘れることに基づくスコアなどの集約されたメトリクスで要約することが多い。 本研究では,非学習モデルと削除後のモデルの再学習モデルとの比較により,この故障モードを例レベルで検討する。
  論文  参考訳（メタデータ） (2026-05-29T13:48:06Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
  ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。 これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。 本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:51:10Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)

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。