論文の概要: Behavioral Forgetting Is Not Privacy in Machine Unlearning

• arxiv url: http://arxiv.org/abs/2610.21799v1
• Date: Thu, 15 Oct 2026 12:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.081504
• Title: Behavioral Forgetting Is Not Privacy in Machine Unlearning
• Title（参考訳）: 機械学習における行動予測はプライバシではない
• Abstract要約: 我々は、同じ情報が復元される可能性のあるアクセスパスにまたがって、忘れることが持続するかどうかをテストするべきだと論じる。 したがって、単一のアクセスパスは、行動的忘れと情報アクセス性の間の真のギャップを露呈するのに十分である。
• 参考スコア（独自算出の注目度）: 7.530890774798437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine unlearning aims to remove targeted information from large language models, but existing evaluations often measure forgetting only on a designated benchmark distribution. We argue that such behavioral forgetting is an insufficient standard for privacy-oriented unlearning, and that evaluation should instead test whether forgetting persists across the access paths through which the same information may be recovered. We demonstrate this with a controlled case study of cross-lingual querying: across multiple multilingual model families, forgetting varies substantially when semantically equivalent information is queried in different languages and scripts. A single access path is therefore enough to expose a real gap between behavioral forgetting and information inaccessibility, motivating broader evaluation of access-path generalization and adversarial recoverability alongside in-distribution forgetting.
• Abstract（参考訳）: 機械学習は、大きな言語モデルからターゲットとなる情報を除去することを目的としているが、既存の評価では、指定されたベンチマーク分布にのみ、忘れを計測する。 このような行動的忘れは、プライバシ指向の未学習にとって不十分な標準であり、その代わりに、同じ情報が復元されるアクセスパス全体で忘れが持続するかどうかを検証すべきである、と我々は主張する。 複数の多言語モデルファミリにまたがって、意味論的に等価な情報が異なる言語やスクリプトでクエリされるときに、忘れることが著しく異なるという、言語間クエリの制御されたケーススタディでこれを実証する。 したがって、単一のアクセスパスは、行動的忘れと情報アクセス性の間の真のギャップを露呈するのに十分であり、アクセスパスの一般化と敵の回復可能性のより広範な評価を、分配的忘れとともに動機付ける。

関連論文リスト

• The Unlearning Mirage: A Dynamic Framework for Evaluating LLM Unlearning [54.67958855362658]
  複雑な構造化クエリを用いたアンラーニングテストを強調する動的フレームワークを提案する。 提案手法はまず,対象モデル(事前学習)から知識を抽出し,単純なクエリからマルチホップチェーンまで,対象プローブを構築する。 本フレームワークは,テストセットを手作業で構築することなく,非学習手法の実用的でスケーラブルな評価を可能にする。
  論文  参考訳（メタデータ） (2026-03-11T19:51:33Z)
• Evaluating Language Model Reasoning about Confidential Information [95.64687778185703]
  言語モデルが文脈的堅牢性を示すか、文脈依存型安全仕様に準拠する能力を示すかを検討する。 我々は,ユーザ要求がいつ承認されたか,言語モデルが正しく判断できるかどうかを測定するベンチマーク(PasswordEval)を開発した。 現在のオープンソースとクローズドソースのモデルでは、一見単純な作業に苦労しています。
  論文  参考訳（メタデータ） (2025-08-27T15:39:46Z)
• A Closer Look at Machine Unlearning for Large Language Models [46.245404272612795]
  大型言語モデル(LLM)は機密または著作権のあるコンテンツを記憶し、プライバシーと法的懸念を高める。 LLMの機械学習におけるいくつかの問題について議論し、可能なアプローチについての洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-10T16:56:05Z)
• Speech Privacy Leakage from Shared Gradients in Distributed Learning [7.8470002970302195]
  分散学習環境における共有勾配から個人音声/話者情報を復元する方法を探索する。 本研究では,分散学習フレームワークを用いて,音声内容や話者識別など,さまざまなレベルの側チャネル情報を推定できることを実証する。
  論文  参考訳（メタデータ） (2023-02-21T04:48:29Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• IGLUE: A Benchmark for Transfer Learning across Modalities, Tasks, and Languages [87.5457337866383]
  画像認識言語理解評価ベンチマークについて紹介する。 IGLUEは、視覚的質問応答、クロスモーダル検索、グラウンドド推論、20言語にわたるグラウンドドエンターテイメントタスクをまとめて提供する。 翻訳-テストの転送はゼロショットの転送よりも優れており、少数ショットの学習は多くのタスクに役立てることが難しい。
  論文  参考訳（メタデータ） (2022-01-27T18:53:22Z)
• Probing Task-Oriented Dialogue Representation from Language Models [106.02947285212132]
  本稿では,タスク指向対話タスクにおいて,どのモデルが本質的に最も有意義な表現を担っているかを明らかにするために,事前学習された言語モデルについて検討する。 我々は、アノテートラベルを教師付き方法で固定された事前学習言語モデルの上に、分類器プローブとしてフィードフォワード層を微調整する。
  論文  参考訳（メタデータ） (2020-10-26T21:34:39Z)
• A Call for More Rigor in Unsupervised Cross-lingual Learning [76.6545568416577]
  このような研究の既存の理論的根拠は、世界の多くの言語における並列データの欠如に基づいている。 並列データと豊富なモノリンガルデータのないシナリオは現実的には非現実的であると我々は主張する。
  論文  参考訳（メタデータ） (2020-04-30T17:06:23Z)

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。