論文の概要: LLM unbranding: Erasing Commercial Identity while Preserving Generic Utility

• arxiv url: http://arxiv.org/abs/2609.37127v1
• Date: Tue, 29 Sep 2026 09:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.38626
• Title: LLM unbranding: Erasing Commercial Identity while Preserving Generic Utility
• Title（参考訳）: LLMアンブランディング:ジェネリックユーティリティを保ちながら商業的アイデンティティを消去する
• Abstract要約: 大規模言語モデル(LLM)は、様々な文脈でしばしばブランド記述を生成する。 この頻度は、商標の希釈、偽の帰属、ブランドの破壊といった重大なリスクをもたらす。 具体的には、テキスト出力内でのトレードドレス管理という複雑な課題に対処する。 テキスト・トレードドレスを効果的に中和する新しい推論時間法であるMUTEを提案する。
• 参考スコア（独自算出の注目度）: 0.7359538514071274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Establishing unbranding as a critical practice to prevent visual logos from acquiring negative connotations is standard in image generation. Large Language Models (LLMs) now face a parallel and emerging challenge. These models frequently generate brand descriptions within diverse contexts. This frequency introduces significant risks, such as trademark dilution, false attribution, and brand defamation. In response, we formally define the novel task of LLM Unbranding. We specifically address the complex challenge of managing trade dress within textual outputs. This involves neutralizing characteristic language, slogans, and stylistic markers that define brand identity. Crucially, these elements are less evident than explicit visual logos. To benchmark this task, we introduce a comprehensive evaluation dataset incorporating prominent brands from multiple commercial domains. We rigorously evaluate existing state-of-the-art machine unlearning models using this benchmark. This evaluation identifies their limitations in selective textual unbranding. Finally, we propose MUTE, a novel inference-time method that effectively neutralizes textual trade dress while preserving the LLM's general capabilities and utility. By leveraging an iterative refinement loop, MUTE systematically optimizes system instructions to safely eliminate brand leakage without requiring fragile parameter updates. Code and dataset: The evaluation dataset and code for LLM Unbranding are available at https://github.com/KajetanOzog/LLM_unbranding. The implementation of MUTE is available at https://github.com/KajetanOzog/MUTE.
• Abstract（参考訳）: 画像生成において、視覚的ロゴがネガティブな意味を得るのを防ぐための重要なプラクティスとして、アンブランディングを確立することが標準である。 大規模言語モデル(LLM)は、今や並列で新たな課題に直面しています。 これらのモデルは、様々な文脈でしばしばブランド記述を生成する。 この頻度は、商標の希釈、偽の帰属、ブランドの破壊といった重大なリスクをもたらす。 そこで我々は,LLMアンブランディングの新たな課題を正式に定義する。 具体的には、テキスト出力内でのトレードドレス管理という複雑な課題に対処する。 これは、特徴言語、スローガン、およびブランドアイデンティティを定義するスタイリスティックマーカーを中和することを含む。 重要な点として、これらの要素は明示的な視覚的ロゴよりも明確ではない。 このタスクをベンチマークするために、複数の商業ドメインから著名なブランドを組み込んだ総合評価データセットを導入する。 このベンチマークを用いて、既存の最先端の機械学習モデルを厳格に評価する。 この評価は、選択的なテキストアンブランディングにおける制限を識別する。 最後に,LLMの汎用性と実用性を保ちながら,テキストのトレードドレスを効果的に中和する新しい推論時間手法MUTEを提案する。 MUTEは反復リファインメントループを活用することで、システムの命令を体系的に最適化し、脆弱なパラメータ更新を必要とせずにブランドのリークを安全に除去する。 コードとデータセット: LLM Unbrandingの評価データセットとコードはhttps://github.com/KajetanOzog/LLM_unbranding.comで公開されている。 MUTEの実装はhttps://github.com/KajetanOzog/MUTEで公開されている。

関連論文リスト

• VoxEmo: Benchmarking Speech Emotion Recognition with Speech LLMs [54.75016325571445]
  音声大言語モデル (LLM) は, 音声の感情認識において, 生成インタフェースを介する大きな可能性を示す。 クローズドセットからオープンテキスト生成へのシフトは、ゼロショット性を導入し、プロンプトに非常に敏感な評価を与える。 本稿では,VoxEmoについて紹介する。VoxEmoは音声LLMのための15言語に35の感情コーパスを含む総合的なSERベンチマークである。
  論文  参考訳（メタデータ） (2026-03-09T21:10:34Z)
• From Unlearning to UNBRANDING: A Benchmark for Trademark-Safe Text-to-Image Generation [0.7798283447125206]
  ブランド認識は多次元であり、明示的なロゴを超えて独特の構造的特徴を包含する。 商標のきめ細かい除去と微妙な構造的ブランド機能のための新しいタスクであるunbrandingを紹介します。 我々のVision Language Modelsのメトリクスによって検証された結果、アンブランディングははっきりした、実際に関係のある問題であることを確認した。
  論文  参考訳（メタデータ） (2025-12-15T23:15:36Z)
• Humans Hallucinate Too: Language Models Identify and Correct Subjective Annotation Errors With Label-in-a-Haystack Prompts [41.162545164426085]
  大規模言語モデル(LLM)を用いた文脈におけるラベル検証について検討する。 主観的ラベル補正のためのLiaHR(Label-in-a-Haystack Rectification)フレームワークを提案する。 このアプローチは、信号と雑音の比率を高めるために、アノテーションパイプラインに統合することができる。
  論文  参考訳（メタデータ） (2025-05-22T18:55:22Z)
• Seeing the Undefined: Chain-of-Action for Generative Semantic Labels [6.553242735096595]
  本稿では,画像のセマンティックラベルの集合を包括的に予測することを目的とした新しいタスクであるジェネリックセマンティックラベル(GSL)を紹介する。 GSLはオブジェクト、シーン、属性、関係を含む複数の意味レベルラベルを生成する。 本稿では,GSL タスクに対処する革新的な手法である Chain-of-Action (CoA) を提案する。
  論文  参考訳（メタデータ） (2024-11-26T13:09:14Z)
• Retrieval Augmented Spelling Correction for E-Commerce Applications [15.454532753459166]
  新しいブランド名を日常言語に急速に導入することは、eコマースのスペル訂正サービスにユニークな課題をもたらす。 我々は、レトリーバル拡張生成(RAG)を通してこの問題に対処することを模索している。 このアプローチでは、商品名をカタログから検索し、文脈的スペル補正を行うために微調整された大規模言語モデル(LLM)によって使用されるコンテキストに組み込む。
  論文  参考訳（メタデータ） (2024-10-15T14:42:18Z)
• Gen-Z: Generative Zero-Shot Text Classification with Contextualized Label Descriptions [50.92702206798324]
  ゼロショットテキスト分類のための生成的プロンプトフレームワークを提案する。 GEN-Zはラベルの自然言語記述に基づく入力テキストのLM可能性を測定する。 データソースの文脈化によるゼロショット分類は、ゼロショットベースラインと少数ショットベースラインの両方を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-11-13T07:12:57Z)
• Flames: Benchmarking Value Alignment of LLMs in Chinese [86.73527292670308]
  本稿では,Flamesという値アライメントベンチマークを提案する。 一般的な無害の原則と、特定の中国の価値観を統合するユニークな道徳的側面の両方を包含している。 以上の結果から, 評価されたLLMはフラムに対して比較的低い性能を示した。
  論文  参考訳（メタデータ） (2023-11-12T17:18:21Z)
• Losses over Labels: Weakly Supervised Learning via Direct Loss Construction [71.11337906077483]
  プログラム可能な弱い監視は、機械学習のパラダイムとして成長している。 ラベルの中間ステップを経由することなく,直接損失を発生させるため,ラベルのロバスト・オーバー・ラベル(Losses over Labels, LoL)を提案する。 いくつかのベンチマークテキストおよび画像分類タスクにおいて、LoLは既存の弱い監督手法を改善していることを示す。
  論文  参考訳（メタデータ） (2022-12-13T22:29:14Z)

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。