論文の概要: Compositional Concepts Erasing: Disentangling Object-Style via Domain Manifold Unlearning

• arxiv url: http://arxiv.org/abs/2610.14514v1
• Date: Sat, 10 Oct 2026 03:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.060834
• Title: Compositional Concepts Erasing: Disentangling Object-Style via Domain Manifold Unlearning
• Title（参考訳）: 構成概念の消去:ドメイン・マニフォールド・アンラーニングによるオブジェクト・スタイルの分離
• Abstract要約: 拡散モデルは違法コンテンツの生成と著作権侵害に重大なリスクをもたらす。 本研究では,ドメイン・マニフォールド・アンラーニング(DMU)を提案する。 DMUは、破滅的な忘れ、バッチアンラーニングとシーケンシャルアンラーニングの最先端の手法を著しく緩和する。
• 参考スコア（独自算出の注目度）: 28.328892467083847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models pose significant risks regarding the generation of illicit content and copyright violations. This has catalyzed the development of machine unlearning to erase harmful concepts or copyrighted styles from a model's generative repertoire without compromising its general performance. However, previous unlearning approaches on diffusion models have largely focused on either object-level or style-level removal and failed to address the challenge of object-style combination unlearning. At the same time, multiple unlearning requests often lead to catastrophic forgetting. To address these challenges, we propose Domain Manifold Unlearning (DMU), which uses an EMA-updated feature proxy extracted from intermediate diffusion features to represent the retained target-object direction. As a lightweight estimating representation of an object, DMU enables selective unlearning of domain-specific components in a specific object while preserving other semantic representations, thereby significantly enhancing robustness in multiple combination unlearning scenarios. Extensive experiments show that DMU significantly mitigates catastrophic forgetting, outperforming state-of-the-art methods of batch unlearning and sequential unlearning.
• Abstract（参考訳）: 拡散モデルは違法コンテンツの生成と著作権侵害に重大なリスクをもたらす。 これは、一般的なパフォーマンスを損なうことなく、モデルの生成するレパートリーから有害な概念や著作権のあるスタイルを消去するマシン・アンラーニングの発展を触媒している。 しかし、従来の拡散モデルに対する未学習のアプローチは、主にオブジェクトレベルまたはスタイルレベルの除去に焦点を当てており、未学習のオブジェクトスタイルの組み合わせの課題に対処できなかった。 同時に、複数の未学習リクエストは、しばしば破滅的な忘れを招きます。 これらの課題に対処するために、中間拡散特徴から抽出されたEMA更新特徴プロキシを用いて、保持対象方向を表すドメイン・マニフォールド・アンラーニング(DMU)を提案する。 オブジェクトの軽量な推定表現として、DMUは、他のセマンティック表現を保持しながら、特定のオブジェクト内のドメイン固有のコンポーネントの選択的アンラーニングを可能にし、複数の組み合わせのアンラーニングシナリオにおいて、ロバスト性を大幅に向上させる。 大規模な実験により、DMUは破滅的な忘れ込みを著しく軽減し、バッチアンラーニングとシーケンシャルアンラーニングの最先端の方法より優れていることが示された。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Harmonizing Multi-Objective LLM Unlearning via Unified Domain Representation and Bidirectional Logit Distillation [11.723777730116831]
  大規模言語モデル(LLM)のアンラーニングは、モデルから有害またはプライバシをリードする情報を除去するために不可欠である。 既存の未学習の手法は主にこれらの目標の限られたサブセットに焦点を当てている。 複数の未学習目標を調和させる新しい多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T19:09:17Z)
• Forgetting is Competition: Rethinking Unlearning as Representation Interference in Diffusion Models [7.17300076441681]
  SurgUnは、テキスト条件の拡散モデルで特定の視覚的概念を取り除くために、目標の重量空間更新を適用する外科的アンラーニング手法である。 我々のアプローチは、新たに獲得した記憶が以前の記憶へのアクセスを上書き、抑制、妨げることができるという、遡及的干渉理論によって動機付けられている。 我々は、この原理をレトロアクティブな概念干渉を誘導することにより拡散モデルに適用し、対象概念のみの集中的不安定化を可能にする。
  論文  参考訳（メタデータ） (2026-03-01T08:07:14Z)
• MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
  本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。 MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-02-19T05:20:31Z)
• UnHype: CLIP-Guided Hypernetworks for Dynamic LoRA Unlearning [3.8373805990749266]
  UnHypeは、ハイパーネットワークをシングルコンセプトとマルチコンセプトのローランド適応(LoRA)トレーニングに組み込むフレームワークである。 推論中、ハイパーネットワークはCLIP埋め込みに基づいて適応的なLoRA重みを動的に生成する。 我々はUnHypeを、オブジェクト消去、有名人の消去、明示的なコンテンツ削除など、いくつかの困難なタスクで評価する。
  論文  参考訳（メタデータ） (2026-02-03T11:37:08Z)
• From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
  疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。 モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。 タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
  論文  参考訳（メタデータ） (2026-01-28T09:29:40Z)
• AUVIC: Adversarial Unlearning of Visual Concepts for Multi-modal Large Language Models [63.05306474002547]
  を強制する規制フレームワークは、機械学習の必要性を喚起します。 AUVICはMLLMのための新しい視覚概念アンラーニングフレームワークである。 AUVICは,非ターゲット概念の性能劣化を最小限に抑えつつ,最先端の目標忘れ率を実現していることを示す。
  論文  参考訳（メタデータ） (2025-11-14T13:35:32Z)
• UniMMAD: Unified Multi-Modal and Multi-Class Anomaly Detection via MoE-Driven Feature Decompression [74.0893986012049]
  UniMMADは、マルチモーダルおよびマルチクラスの異常検出のための統一されたフレームワークである。 UniMMADは、9つの異常検出データセット上で、3つのフィールド、12のモダリティ、66のクラスにまたがる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-30T08:29:12Z)
• A Unified Framework for Diffusion Model Unlearning with f-Divergence [15.819330608656337]
  テキスト・トゥ・イメージ(T2I)モデルの学習方法は、ターゲットの出力分布とアンカーの概念の間の平均2乗誤差(MSE)を最小化することに依存することが多い。 この MSE ベースのアプローチは,$f$-divergence-based framework の特別な場合であり,$f$-divergence を利用できることを示す。
  論文  参考訳（メタデータ） (2025-09-25T13:51:04Z)
• Image Can Bring Your Memory Back: A Novel Multi-Modal Guided Attack against Image Generation Model Unlearning [28.15997901023315]
  Recallは、未学習のIMGの堅牢性を損なうために設計された、新しい敵のフレームワークである。 逆効果、計算効率、意味的忠実性の点で、元のプロンプトで既存のベースラインを一貫して上回ります。 これらの結果は、現在の未学習メカニズムにおける重大な脆弱性を明らかにし、より堅牢なソリューションの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-07-09T02:59:01Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。