論文の概要: Neighborhood-Aware Unlearning for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.27232v1
• Date: Mon, 19 Oct 2026 20:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.489052
• Title: Neighborhood-Aware Unlearning for Generative Recommendation
• Title（参考訳）: ジェネレーティブレコメンデーションのための隣り合わせのアンラーニング
• Abstract要約: 本研究では, 近隣の項目に割り当てられた確率質量を明示的に制御することで, インタラクションレベルの未学習を増大させるNorborhood-Aware Unlearning (NAU)を提案する。 我々は,SIDに基づく生成レコメンデータにおいて,局所的確率再分配を未学習の重要な失敗モードとみなし,この再分配を明示的に制御することで,その効果を緩和できることを示す。
• 参考スコア（独自算出の注目度）: 53.3789399475797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative recommendation predicts items by autoregressively generating semantic identifiers (SIDs), whose tokens are shared across semantically related items. With this paradigm gaining adoption, the question of how to support unlearning in it has become pressing. If training interactions must later be removed, such as injected spam or interactions with items a user no longer wants, this sharing lets an unlearning update unintentionally affect the predictions for the interactions' neighbors. We show that this effect is locally structured and hidden by global metrics: unlearning can leave recommendation utility on the whole test set nearly unchanged while substantially degrading it on neighborhoods of the forgotten interactions' SIDs. We propose Neighborhood-Aware Unlearning (NAU), which augments interaction-level unlearning with explicit control over the probability mass assigned to the forgotten items' neighborhoods. Across three datasets and four SID tokenizers, NAU restores spam-induced exposure toward the retrained reference while retaining more than 95% of retrained utility, and recovers the neighborhood utility that forget-and-repair unlearning loses at no global cost. We identify local probability redistribution as an important failure mode of unlearning in SID-based generative recommenders and show that explicitly controlling this redistribution can mitigate its effects.
• Abstract（参考訳）: 生成レコメンデーションは、意味的関連項目間でトークンが共有されるセマンティック識別子(SID)を自動回帰生成することでアイテムを予測する。 このパラダイムが採用されるにつれて、アンラーニングをサポートする方法に関する疑問が強まっている。 トレーニングのインタラクションが後に削除されなければならない場合、例えば、スパムの注入や、ユーザが望まないアイテムとのインタラクションは、この共有によって、未学習の更新が、インタラクションの隣人の予測に意図せずに影響を及ぼす。 アンラーニングは、忘れられたインタラクションのSIDの近傍で実質的に劣化しながら、テストセット全体に対して推奨ユーティリティをほとんど変更せずに残すことができます。 本研究では, 近隣の項目に割り当てられた確率質量を明示的に制御することで, インタラクションレベルの未学習を増大させるNorborhood-Aware Unlearning (NAU)を提案する。 3つのデータセットと4つのSIDトークンーザにまたがって、NAUは、再トレーニングされたユーティリティの95%以上を保持しながら、再トレーニングされた参照に対するスパムによる露出を復元し、未学習の忘れ忘れが世界的なコストで失われる近隣ユーティリティを回復する。 我々は,SIDに基づく生成レコメンデータにおいて,局所的確率再分配を未学習の重要な失敗モードとみなし,この再分配を明示的に制御することで,その効果を緩和できることを示す。

関連論文リスト

• CUSE: Fine-Grained Multimodal Unlearning with Counterfactual Guidance and On-Policy Self-Distillation [38.60056414101559]
  CUSEは、大規模言語モデルのための非学習フレームワークである。 これは、現在のポリシーからサンプリングされた応答に対するトークンレベルの忘れと保持ターゲットを蒸留する。 MLLMU-Benchでは、CUSEはリザーブセットのROUGE-Lを33.6%削減し、保持セットのROUGE-Lは最強のベースラインよりも1.2%高い。
  論文  参考訳（メタデータ） (2026-10-10T09:37:30Z)
• TRACER: Token ReAssignment for Concept ERasure in Generative Recommendation [25.64345384017572]
  トークン再割り当てに基づくエンドツーエンドのアンラーニングフレームワークであるTRACERを提案する。 TRACERは対象概念を効果的に除去し、既存の未学習ベースラインよりもかなり優れた推奨ユーティリティを保ちます。
  論文  参考訳（メタデータ） (2026-06-05T05:19:31Z)
• CURE:Circuit-Aware Unlearning for LLM-based Recommendation [34.80441850684431]
  本稿では,モデルコンポーネントを機能的に異なるサブセットに分解し,それを選択的に更新する回路認識アンラーニングフレームワークを提案する。 実世界のデータセットの実験では、我々のアプローチは既存のベースラインよりも効果的なアンラーニングを実現している。
  論文  参考訳（メタデータ） (2026-04-04T23:13:55Z)
• TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning [10.314982171290835]
  マルチモーダル・レコメンデーション・システム (MRS) は, ユーザ・イテム相互作用グラフとリッチアイテム・コンテントを共同でモデル化するが, この密結合により学習後, ユーザデータの除去が困難になる。 近似マシンアンラーニング(英語版)は、完全な再トレーニングに代わる効率的な代替手段を提供するが、MSSの既存の方法は、主にモデル全体のほぼ均一な逆更新に依存している。 削除データの影響は均一に分散されていないが、テクトit rankの振る舞い、テクトモダリティのブランチ、およびテクトitnetwork層に不均一に集中している。
  論文  参考訳（メタデータ） (2026-04-02T15:45:03Z)
• Towards Mitigating Excessive Forgetting in LLM Unlearning via Entanglement-Aware Unlearning with Proxy Constraint [28.25159814956888]
  大規模言語モデル(LLM)は、プライベートまたは著作権のあるコンテンツを含む可能性のある巨大なデータセットに基づいて訓練される。 プライバシとオーナシップの懸念が高まっているため、データ所有者は、トレーニングされたモデルからデータを削除することを要求できる。 既存のほとんどの方法には音を忘れる境界がないため、一部のサンプルは忘れられてしまう。
  論文  参考訳（メタデータ） (2025-08-28T05:45:40Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• Erasing, Transforming, and Noising Defense Network for Occluded Person Re-Identification [36.91680117072686]
  我々は,隠蔽された人物のリIDを解決するために,ETNDNet(Easing, Transforming, and Noising Defense Network)を提案する。 提案するETNDNetでは,特徴マップをランダムに消去し,不完全な情報を持つ逆表現を生成する。 第3に、障害物や歩行者以外の歩行者が導入したノイズ情報に対処するために、ランダムな値で特徴マップを摂動する。
  論文  参考訳（メタデータ） (2023-07-14T06:42:21Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)

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。