論文の概要: Continual Concept Erasure in Diffusion Models by Suppressing Cross-Edit Interference

• arxiv url: http://arxiv.org/abs/2610.01989v1
• Date: Thu, 01 Oct 2026 16:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.283146
• Title: Continual Concept Erasure in Diffusion Models by Suppressing Cross-Edit Interference
• Title（参考訳）: 相互編集干渉抑制による拡散モデルの連続的概念消去
• Abstract要約: 閉形式解法に2つの部分空間制約を課す訓練不要なCEASE(Continual Erasure via Adaptive Subspace Editing)を提案する。 CEASEは最も一貫性のある消去保存トレードオフを実現し、既存のメソッドはジェネラルジェネレーションを劣化させるか、ターゲットを不十分に消去する。
• 参考スコア（独自算出の注目度）: 14.32978809824869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept erasure removes copyright-protected, privacy-sensitive, or otherwise undesirable concepts from pretrained text-to-image diffusion models to support content governance and compliance. As erasure requests arrive over time, models must remove new targets without undoing prior erasures. Existing methods do not constrain interference across edits: residual perturbations outside the retain set interact and accumulate, degrading unrelated generations and sometimes collapsing previously erased targets into noise. We propose CEASE (Continual Erasure via Adaptive Subspace Editing), a training-free method that imposes two subspace constraints on a closed-form solver. CEASE adds the token representation of the shared replacement to the solver's invariance matrix and, when interference is detected, projects the current update onto the orthogonal complement of dominant output directions extracted from cumulative past updates. A closed-form decomposition attributes the accumulated interference to repeated activation of the shared replacement and overlap between successive update directions, showing that the two constraints suppress these respective sources. Across continual erasure of celebrities, artistic styles, and instances, CEASE achieves the most consistent erase-preserve trade-off, while existing methods either degrade general generation or insufficiently erase targets.
• Abstract（参考訳）: 概念消去は、コンテンツガバナンスとコンプライアンスをサポートするために、事前訓練されたテキストから画像への拡散モデルから著作権保護、プライバシーに敏感な、あるいは望ましくない概念を取り除く。 消去要求が時間とともに到着するにつれて、モデルは事前消去を解除することなく、新しいターゲットを削除する必要がある。 既存のメソッドは編集間の干渉を制限しない: 保持セット外の残留摂動は相互作用し蓄積し、無関係な世代を劣化させ、以前は削除されていたターゲットをノイズに分解することがある。 閉形式解法に2つの部分空間制約を課す訓練不要なCEASE(Continual Erasure via Adaptive Subspace Editing)を提案する。 CEASEは、共有置換のトークン表現をソルバの不変行列に追加し、干渉を検出すると、累積過去の更新から抽出された支配的な出力方向の直交補関数に現在の更新を投影する。 クローズドフォーム分解は、蓄積された干渉を、共有置換の繰り返しの活性化と連続した更新方向の重複に起因し、これら2つの制約がそれぞれのソースを抑制することを示す。 セレブ、芸術スタイル、事例の連続的消去を通じて、CEASEは最も一貫性のある消去保存トレードオフを達成する一方、既存の方法は一般的な世代を劣化させるか、ターゲットを不十分に消去する。

関連論文リスト

• EraseSAE: Surgical Concept Erasure in Text-to-Video Diffusion Models via Sparse Autoencoders [103.46709005379591]
  概念消去は、事前訓練されたモデルから不要なセマンティクスを取り除くことによって、原則化された救済を提供する。 既存のアプローチは一般に粗い品質で動作し、概念表現の微細で分散した性質と不一致である。 外科的概念の消去を実現するためにスパースオートエンコーダを利用する新しいフレームワークであるEraseSAEを提案する。
  論文  参考訳（メタデータ） (2026-09-03T10:23:37Z)
• 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)
• OcclusionFormer: Arranging Z-Order for Layout-Grounded Image Generation [49.49933361280724]
  OcclusionFormerは、インスタンスを分離することで、Zオーダーの優先順位を明示的にモデル化する新しいフレームワークです。 また、個別のインスタンスを明示的に監視し、セマンティックな一貫性を高めるクエリアライメント損失を導入します。 提案手法は,重なり合う領域の曖昧さを効果的に低減し,正しい閉塞依存性を強制し,構造的整合性を保ち,様々な場面で精度の高い向上をもたらす。
  論文  参考訳（メタデータ） (2026-05-20T16:10:44Z)
• Primal-Dual Guided Decoding for Constrained Discrete Diffusion [5.219025684249083]
  KL正規化最適化問題として制約付き生成を定式化する推定時間法であるプリマル・デュアルガイド付き復号法を提案する。 各復調ステップでは、制約違反に基づくミラー降下により乗算器が更新され、付加的制約依存バイアスによりトークンロジットを修飾する。 ドメイン固有のスコアリング機能によってインスタンス化された1つのアルゴリズムは、関連するドメイン固有の品質指標を保存しながら制約満足度を向上することを示す。
  論文  参考訳（メタデータ） (2026-05-10T20:55:19Z)
• Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
  標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。 これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。 連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
  論文  参考訳（メタデータ） (2025-10-01T18:00:56Z)
• CURE: Concept Unlearning via Orthogonal Representation Editing in Diffusion Models [7.68494752148263]
  CUREは、事前訓練された拡散モデルの重み空間で直接動作する、トレーニング不要の概念未学習フレームワークである。 スペクトル消去器は、安全な属性を保持しながら、望ましくない概念に特有の特徴を特定し、分離する。 CUREは、対象とする芸術スタイル、オブジェクト、アイデンティティ、明示的なコンテンツに対して、より効率的で徹底的な除去を実現する。
  論文  参考訳（メタデータ） (2025-05-19T03:53:06Z)
• Reliable and Efficient Concept Erasure of Text-to-Image Diffusion Models [76.39651111467832]
  本稿では,Reliable and Efficient Concept Erasure (RECE)を提案する。 派生した埋め込みによって表現される不適切なコンテンツを緩和するために、RECEはそれらをクロスアテンション層における無害な概念と整合させる。 新たな表現埋め込みの導出と消去を反復的に行い、不適切な概念の徹底的な消去を実現する。
  論文  参考訳（メタデータ） (2024-07-17T08:04:28Z)

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。