論文の概要: BEM: Learning Bregman Divergences for Concept Erasure in Flow Matching Models

• arxiv url: http://arxiv.org/abs/2610.24508v1
• Date: Sat, 17 Oct 2026 07:07:57 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:06:50.119935
• Title: BEM: Learning Bregman Divergences for Concept Erasure in Flow Matching Models
• Title（参考訳）: BEM:フローマッチングモデルにおける概念消去のためのブレグマンダイバージェンス学習
• Abstract要約: 我々はBEM (Bregman erasure matching) を導入し、二段階最適化によりこの分岐を初めて学習する。 実験では,ヌード,暴力,現実のアイデンティティ,著作権のある文字の抑制を目標とする。
• 参考スコア（独自算出の注目度）: 11.14373508358616
• License:
• Abstract: Concept erasure removes harmful, private, or copyrighted concepts from text-to-image models while preserving their other abilities. Leading models such as FLUX and Stable Diffusion 3 are trained with flow matching, and erasure methods for them fine-tune the model toward a guided teacher's velocities under a Euclidean loss. Yet the squared distance is only one member of a larger family: Bregman divergences are exactly the losses under which flow matching recovers the correct velocity field, and each member shapes differently what is erased and what is preserved. We introduce BEM (Bregman erasure matching), which is, to our knowledge, the first to learn this divergence through bi-level optimization, so that the fine-tuned model forgets the concept on unseen prompts while its unrelated generations stay unchanged. In the experiments we target the suppression of nudity, violence, real identities, and copyrighted characters. Under the evaluation protocol of GEM, BEM removes more of the concept than GEM on most settings, cutting the unsafe rate on bloody gore from 53.9% to 14.4% and the FID on nudity from 8.64 to 6.64, while retention holds on some concepts and degrades on others.
• Abstract（参考訳）: 概念消去は、有害、プライベート、または著作権のある概念を、他の能力を保ちながらテキスト・ツー・イメージモデルから排除する。 FLUXやStable Diffusion 3のような指導的モデルはフローマッチングで訓練され、ユークリッドの損失の下で指導された教師の速度に向かってモデルを微調整する。 ブレグマンの発散は、フローマッチングが正しい速度場を回復する際の損失であり、各部材は、消去されたものと保存されているものが異なる。 我々はBEM (Bregman erasure matching) を導入し、これは二段階最適化によりこの分岐を初めて学習し、その非関係な世代が変化しないまま、未確認プロンプトの概念を忘れるようにした。 実験では,ヌード,暴力,現実のアイデンティティ,著作権のある文字の抑制を目標とする。 GEMの評価プロトコルでは、BEMはGEMよりも多くの概念を取り除き、53.9%から14.4%に、ヌードのFIDは8.64から6.64に減らし、保持はいくつかの概念と劣化を抑えている。

関連論文リスト

• FADE: Frame-Aware Diffusion-Transformer-based Multi-Concept Erasure for Video Unlearning [20.850683910470618]
  テキスト・トゥ・ビデオ(T2V)拡散モデルは、著作権付き、暴力的、明示的なコンテンツを再現することができる。 本稿では,FADE (Frame-Aware Diffusion Erasure) を提案する。
  論文  参考訳（メタデータ） (2026-10-02T19:45:07Z)
• You Can't Have It Both Ways: Concept Entanglement Limits Diffusion Model Unlearning [20.043813668996837]
  テキストと画像の拡散モデルにおける概念アンラーニングは、関連性はあるが異なるコンテンツを保存しながら、ターゲット概念を抑えることを目的としている。 これらの障害モードは、特定のアルゴリズムではなく、概念表現の幾何学に起因していることを示す。
  論文  参考訳（メタデータ） (2026-09-28T02:15:21Z)
• 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)
• Erasing Without Collateral Damage: Precise Concept Removal in Diffusion Models [10.269961654607108]
  トレーニング不要の概念消去は、テキスト間拡散モデルを制御するための魅力的なメカニズムである。 しかし、正確な消去は、しばしば意味論的に関連する非ターゲット概念を損なうコストがかかる。 原ターゲット方向を宇宙空間に意識した方向で置き換えるクローズドフォームの概念消去演算子であるCAREを紹介する。
  論文  参考訳（メタデータ） (2026-07-06T16:21:09Z)
• FADE: Adversarial Concept Erasure in Flow Models [4.774890908509861]
  テキストから画像への拡散モデルのための新しいtextbfconcept消去法を提案する。 提案手法は,軌道認識型微調整戦略と,その概念を確実に取り除くための対向的目的を組み合わせたものである。 提案手法は, 消去された概念とモデル出力との相互情報を最小化する。
  論文  参考訳（メタデータ） (2025-07-16T14:31:21Z)
• TRCE: Towards Reliable Malicious Concept Erasure in Text-to-Image Diffusion Models [53.937498564603054]
  近年のテキスト・画像拡散モデルの進歩により、フォトリアリスティックな画像生成が可能になったが、NSFW画像のような悪意のあるコンテンツを生成するリスクもある。 リスクを軽減するため,概念消去手法が研究され,モデルが特定の概念を学習しやすくする。 本稿では,2段階のコンセプト消去戦略を用いて,信頼性の高い消去と知識保存の効果的なトレードオフを実現するTRCEを提案する。
  論文  参考訳（メタデータ） (2025-03-10T14:37:53Z)
• DuMo: Dual Encoder Modulation Network for Precise Concept Erasure [75.05165577219425]
  非ターゲット概念に対する最小限の障害を伴う不適切なターゲット概念の正確な消去を実現するDuMo(Dual Encoder Modulation Network)を提案する。 提案手法は, 明示的コンテンツ消去, カートゥーン概念除去, アーティスティックスタイル消去における最先端性能を実現し, 代替手法よりも明らかに優れている。
  論文  参考訳（メタデータ） (2025-01-02T07:47:34Z)
• 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。