論文の概要: From Mathematical to Executable Certificates for Machine Unlearning
- arxiv url: http://arxiv.org/abs/2610.02268v1
- Date: Thu, 01 Oct 2026 06:00:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.022091
- Title: From Mathematical to Executable Certificates for Machine Unlearning
- Title（参考訳）: 機械アンラーニングにおける数学から実行可能証明へ
- Abstract要約: Executable Release Certification (ExecCert)は、リリース時に考慮されるアーティファクトを認定する、リリース時のレイヤである。
ExecCertは、実行された候補に対するメソッドのネイティブ証明書を閉じるか、あるいはRetraining-Reference Release Verification (RRV)を適用して、現在の保持セットの再トレーニングに対する忠実さを認定する。
公開された4つの未学習実装において、ExecCertは有効な証明書を保存し、リリース決定を変更し、保守的な境界を締め付け、具体的なアウトプットによってサポートされているトレーニングと参照の忠実さを識別する。
- 参考スコア（独自算出の注目度）: 13.425993535417556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine unlearning is needed when data must be removed because of deletion requests, outdated records, or data-quality concerns, while retraining from scratch can be costly. Certified machine unlearning methods provide mathematical guarantees, while deployed systems release concrete finite-precision artifacts produced by software. To bridge the gap between mathematical guarantees and practical deployment, we introduce Executable Release Certification (ExecCert), a release-time layer that certifies the candidate artifact considered for release. ExecCert either closes a method's native certificate for the executed candidate or applies Retraining-Reference Release Verification (RRV) to certify fidelity to current retain-set retraining. Sequential deletion makes the latter nontrivial because the exact retain-set reference and the stored numerical state evolve separately. For frozen representations with a mutable ridge head, we develop an incremental realization of RRV that maintains certified evidence across deletion requests rather than reconstructing it at each release. On four published unlearning implementations, ExecCert preserves valid certificates, changes release decisions, tightens conservative bounds, and identifies the retraining-reference fidelity supported by concrete outputs. In sequential-service experiments, RRV eliminates false releases caused by stored-equation verification while closely tracking realized error, and incremental certification remains cheaper than both fresh and maintained verified-factor alternatives once release checks become sufficiently frequent.
- Abstract（参考訳）: 削除要求、古いレコード、データ品質の懸念のためにデータが削除されなければならない場合、スクラッチから再トレーニングを行うのにコストがかかる。
認証された機械のアンラーニング手法は数学的保証を提供し、デプロイされたシステムはソフトウェアによって生成される具体的な有限精度の人工物をリリースする。
数学的保証と実践的なデプロイメントのギャップを埋めるために、リリース対象のアーティファクトを認定するリリース時レイヤであるExecutable Release Certification(ExecCert)を紹介します。
ExecCertは、実行された候補に対するメソッドのネイティブ証明書を閉じるか、あるいはRetraining-Reference Release Verification (RRV)を適用して、現在の保持セットの再トレーニングに対する忠実さを認定する。
正確な保持セット参照と格納された数値状態が別々に進化するため、シーケンシャル削除は後者を非自明にする。
可変リッジヘッドを用いた凍結表現では、各リリースで再構成するのではなく、削除要求全体にわたって証明された証拠を保持するRCVを漸進的に実現する。
公開された4つの未学習実装において、ExecCertは有効な証明書を保存し、リリース決定を変更し、保守的な境界を締め付け、具体的なアウトプットによってサポートされているトレーニングと参照の忠実さを識別する。
シーケンシャルサービス実験では、RCVは、ストアド方程式検証による誤ったリリースを排除し、実現したエラーを密に追跡する。
関連論文リスト
- Authorization Revocation for Long-Running AI Agents: Root-Scoped Quiescence under Delegation and Asynchronous Execution [4.805352087824778]
長時間実行されるAIエージェントは、認証、委譲されたタスク、キュー、コールバック、予約、プロバイダ側の操作を通じて、プロセスの開始を先導する。
我々は、ルートスコープによる認証クイセンスを定義し、各シンクに対して、ルートエポック原子の下でのカット関連受け入れ毎に証明書を割り当てる。
ルートスコープクイネッセンスプロトコルは、ルートカットを線形化し、古いルート拡張と保護されたシンクを束縛し、プロバイダ・フロンティア証明書を登録された古いルートパスのカットセットに構成する。
論文 参考訳（メタデータ） (2026-09-18T03:52:46Z) - SCOUT: Symmetric Consensus Outlier Detection for Failure Localization in LLM Pre-Training [7.018753691717986]
事前トレーニングでは、同期は、ランクローカルなストール、スローダウン、数値的なエラーをジョブワイドな症状へと伝播し、その起源を隠蔽する。
SCOUTは1つの設計原則に基づいて構築された統一型ランタイム障害局所化フレームワークである。
SCOUTはトレーニングループやフレームワークソースの変更なしに、PyTorch、TorchTitan、Megatron-Core、DeepSpeedと統合されている。
論文 参考訳（メタデータ） (2026-08-11T15:12:14Z) - From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。
生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。
本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:37:38Z) - Sovereign Execution Broker: Enforcing Certificate-Bound Authority in Agentic Control Planes [2.124730017640531]
Sovereign Execution Broker (SEB) は証明書バウンドエージェントインフラストラクチャのランタイム実行境界である。
提案、承認、実行を分離することで、SEBは認定された権限を短期間で監査可能なランタイム能力に変換する。
本稿では,SEBの実行モデル,証明書と再生検証の述語,スコープ付きアイデンティティセマンティクス,バイパス防止デプロイメントパターン,障害行動,具体的プロトタイプ実装について述べる。
論文 参考訳（メタデータ） (2026-06-18T17:36:46Z) - TrustErase: Auditable Instant Machine Unlearning with Passport-Embedded Representations [9.384953428956408]
TrustEraseは、パスポート埋め込み表現を利用した検証可能な、データなしの未学習フレームワークである。
TrustEraseはDELETE、L2UL、Boundary Shrinkといった最先端のベンチマークと一致するか、あるいは超えるかを示す。
論文 参考訳（メタデータ） (2026-06-15T12:46:31Z) - Conformal Certification of Reasoning Trace Prefixes [30.432255322700126]
CROP(Conformal Reasoning Output Prefixes)は,クリーンアノテート認証のためのバリデーション非依存の校正手順である。
CROPをオーバー・アンド・アンダー・ホールドし、有効な中間的推論を保ち、下流の補修精度を向上させることを実証する。
論文 参考訳（メタデータ） (2026-05-28T15:31:42Z) - IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。
IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
論文 参考訳（メタデータ） (2026-04-22T03:03:33Z) - Refinement Provenance Inference: Detecting LLM-Refined Training Prompts from Model Behavior [58.751981587234916]
本稿では,Refinement Provenance Inference (RPI)監査タスクをRefinement Provenance Inference (RPI)として定式化する。
本稿では,ロジットレベルの信号で教師が強制する可能性機能を融合させるロジットベースのフレームワークであるReProを提案する。
トレーニング中、ReProはシャドウファインチューニングを通じて転送可能な表現を学び、訓練データアクセスなしで、見えない犠牲者の証明を推測するために軽量のリニアヘッドを使用する。
論文 参考訳（メタデータ） (2026-01-05T10:16:41Z) - Scalable and Robust LLM Unlearning by Correcting Responses with Retrieved Exclusions [49.55618517046225]
Webスケールのコーパスリスクを記憶し、センシティブな情報を暴露する言語モデル。
本稿では,新しいアンラーニングフレームワークであるCorrective Unlearning with Retrieved Exclusions (CURE)を提案する。
CUREは、リークのモデル出力を確認し、安全な応答に修正する。
論文 参考訳（メタデータ） (2025-09-30T09:07:45Z) - Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing [87.48628403354351]
機械学習の認証は、特定の条件下では、敵対的なサンプルが特定の範囲内でモデルを回避できないことを証明している。
セグメンテーションの一般的な認証方法は、平らな粒度のクラスを使い、モデルの不確実性による高い断続率をもたらす。
本稿では,複数レベルの階層内で画素を認証し,不安定なコンポーネントに対して粗いレベルに適応的に認証を緩和する,新しい,より実用的な設定を提案する。
論文 参考訳（メタデータ） (2024-02-13T11:59:43Z) - Towards Evading the Limits of Randomized Smoothing: A Theoretical
Analysis [74.85187027051879]
決定境界を複数の雑音分布で探索することにより,任意の精度で最適な証明を近似できることを示す。
この結果は、分類器固有の認証に関するさらなる研究を後押しし、ランダム化された平滑化が依然として調査に値することを示す。
論文 参考訳（メタデータ） (2022-06-03T17:48:54Z)
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。