論文の概要: Memory-Coupled Unlearning for Data-Absent Identity Forgetting

• arxiv url: http://arxiv.org/abs/2610.14148v1
• Date: Fri, 09 Oct 2026 15:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:57:33.884844
• Title: Memory-Coupled Unlearning for Data-Absent Identity Forgetting
• Title（参考訳）: メモリ結合型未学習によるデータ依存型アイデンティティの獲得
• Abstract要約: 忘れる要求が処理された場合、ターゲット固有の限られた情報しか利用できない場合、アイデンティティレベルの未学習は困難である。 制御可能な外部ID-プロトタイプメモリとして機能するModern Hopfield Network (MHN) でホストモデルを拡張するフレームワークである Memory-Coupled Unlearning (MCU) を提案する。
• 参考スコア（独自算出の注目度）: 2.2205844343922903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine unlearning aims to reduce the influence of designated training data from a trained model while preserving its utility on retained data. Identity-level unlearning is particularly challenging when only limited target-specific information is available when a forgetting request is processed. In this work, we propose Memory-Coupled Unlearning (MCU), a framework that augments a host model with a Modern Hopfield Network (MHN) serving as a controllable external identity-prototype memory. During prototype construction, feature representations associated with each training identity are aggregated into identity prototypes and stored in the MHN. A Prototype Adaptation Network (PAN) transforms the retrieved memory representation, while a Dependency Gating Unit (DGU) controls its contribution to downstream prediction. When an identity is requested to be forgotten, MCU first removes the corresponding prototype from the external memory and subsequently readapts the model using limited support information associated with the target identities together with retained data. Importantly, in this work, ``data-absent'' specifically refers to the absence of the complete original forget set during request-time gradient-based readaptation; retained data may still be used to preserve downstream-task utility. Experiments based on the identity-partitioning and one-shot support construction of 1-SHUI show that MCU achieves a favorable empirical trade-off among model utility, membership distinguishability, and request-time computational efficiency compared with the evaluated baselines. These results provide empirical evidence for the potential of controllable external memory in machine unlearning, rather than a formal guarantee of complete information removal.
• Abstract（参考訳）: 機械学習は、トレーニングされたモデルから指定されたトレーニングデータの影響を低減し、そのユーティリティを保持データに保存することを目的としている。 忘れる要求が処理された場合、ターゲット固有の限られた情報しか利用できない場合、アイデンティティレベルの未学習は特に困難である。 本研究では,メモリ結合型アンラーニング(Memory-Coupled Unlearning, MCU)を提案する。これはホストモデルに,制御可能な外部ID-プロトタイプメモリとして機能するModern Hopfield Network(MHN)を付加するフレームワークである。 プロトタイプ構築中、各トレーニングアイデンティティに関連する特徴表現は、アイデンティティプロトタイプに集約され、MHNに格納される。 Prototype Adaptation Network(PAN)は、取得したメモリ表現を変換し、Dependency Gating Unit(DGU)は下流予測へのコントリビューションを制御する。 IDを忘れるように要求されると、MCUはまず、対応するプロトタイプを外部メモリから取り除き、その後、ターゲットIDに関連する限られたサポート情報と保持データとを用いてモデルを読み取る。 重要なことは、この研究において ``data-absent'' は、リクエスト時グラデーションベースのリプタプタレーションの間、完全に元の左折セットが存在しないことを特に指している。 1-SHUIのアイデンティティ分割とワンショットサポート構築に基づく実験により、MCUはモデルユーティリティ、メンバシップ識別性、要求時間計算効率において、評価ベースラインと比較して好適なトレードオフを実現していることが示された。 これらの結果は、完全な情報除去の正式な保証ではなく、機械学習における制御可能な外部メモリの可能性に関する実証的な証拠を提供する。

関連論文リスト

• Rethinking Machine Unlearning: Models Designed to Forget via Key Deletion [18.166109788922153]
  モデルを直接訓練して、忘れることを支援する新しいパラダイムである、設計によるアンラーニングを提案する。 我々はこのアイデアを、モデルウェイトからインスタンス固有の記憶を分離するメモリ拡張トランスフォーマーであるKEY deletion (MUNKEY)を介して、Machine UNlearningでインスタンス化する。 その結果、設計によるアンラーニングは、予測性能を維持しながら、高速でデプロイ指向のアンラーニングを可能にすることが判明した。
  論文  参考訳（メタデータ） (2026-03-16T09:33:29Z)
• Representation Unlearning: Forgetting through Information Compression [3.9189279162842854]
  モデル表現空間で直接学習を行うフレームワークであるRepresentation Unlearningを紹介する。 Representation Unlearningは,パラメータ中心のベースラインよりも信頼性が高く,実用性も向上し,計算効率も向上することを示す。
  論文  参考訳（メタデータ） (2026-01-29T11:28:02Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• Vertical Federated Unlearning via Backdoor Certification [15.042986414487922]
  VFLは機械学習における新しいパラダイムを提供し、データプライバシを維持しながら、異なるエンティティが協力してモデルをトレーニングできるようにする。 最近のプライバシー規制では、個人が忘れられる権利を強調しており、モデルが特定のトレーニングデータを学習する能力を必要としている。 本稿では,従来のVFLに対して,特定のデータコントリビューションを抽出する目的で,典型的な学習軌跡を逆転させる機構を取り入れた革新的な修正を導入する。
  論文  参考訳（メタデータ） (2024-12-16T06:40:25Z)
• Extracting Training Data from Document-Based VQA Models [67.1470112451617]
  VLM(Vision-Language Models)は、文書ベースの視覚質問回答において顕著な進歩を遂げている(つまり、画像として提供される入力文書の内容に関する問い合わせに応答する)。 これらのモデルでは、関連する視覚情報が削除された場合でも、トレーニングサンプルに対する応答を記憶し、それらをリグルジタイズすることができる。 これには、トレーニングセットで繰り返し繰り返されるパーソナライズ可能な情報が含まれており、これらのモデルが機密情報を漏らし、したがってプライバシーリスクを引き起こす可能性があることを示している。
  論文  参考訳（メタデータ） (2024-07-11T17:44:41Z)
• Parameter-Efficient and Memory-Efficient Tuning for Vision Transformer: A Disentangled Approach [87.8330887605381]
  本稿では,学習可能なパラメータをわずかに限定して,事前学習した視覚変換器を下流認識タスクに適用する方法を示す。 学習可能で軽量なモジュールを用いてタスク固有のクエリを合成する。 本手法はメモリ制約下での最先端性能を実現し,実環境における適用性を示す。
  論文  参考訳（メタデータ） (2024-07-09T15:45:04Z)
• A Memory Model for Question Answering from Streaming Data Supported by Rehearsal and Anticipation of Coreference Information [19.559853775982386]
  本稿では,ストリーミングデータから質問応答タスクを解くための重要な情報に入力を処理しながら,リハーサルと予測を行うメモリモデルを提案する。 我々は,bAbIデータセットと大規模テキスト(Narrative QA)およびビデオ(ActivityNet-QA)質問応答データセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2023-05-12T15:46:36Z)
• Multi-Stage Spatio-Temporal Aggregation Transformer for Video Person Re-identification [78.08536797239893]
  本稿では,2つの新しいプロキシ埋め込みモジュールを設計したMSTAT(Multi-Stage Space-Temporal Aggregation Transformer)を提案する。 MSTATは、属性関連、アイデンティティ関連、および属性関連情報をビデオクリップからエンコードする3つのステージから構成される。 MSTATは様々な標準ベンチマークで最先端の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2023-01-02T05:17:31Z)
• Machine Unlearning of Features and Labels [72.81914952849334]
  機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。 提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
  論文  参考訳（メタデータ） (2021-08-26T04:42:24Z)

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。