論文の概要: Exact Unlearning After Data Curation

• arxiv url: http://arxiv.org/abs/2610.33426v1
• Date: Sat, 24 Oct 2026 03:51:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.326223
• Title: Exact Unlearning After Data Curation
• Title（参考訳）: データキュレーション後のエクササイズ・アンラーニング
• Abstract要約: 生のレコードを削除することで、その選択を変更でき、以前除外された例を認めることができる。 将来の削除回数の制限は、どのレコードがまだトレーニングに入ることができるかを正確に特定する。 このバウンダリを使用して、繰り返し削除された後に修正可能なトレーニング統計の要約を構築します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training pipelines often remove similar examples before fitting a model. Deleting a raw record can change that selection and admit an example that was excluded before. What must a service retain to reproduce training after such requests? We answer this question for a fixed rule in which earlier similar records block later ones. A limit on the total number of future deletions identifies exactly which records can still enter training. We use this boundary to build a summary of training statistics that can be repaired exactly after repeated deletions. The repaired summary is the same as rebuilding it on the surviving data with the remaining budget. We also construct finite-precision features for ridge regression, a linear learner with a penalty on coefficient size. With exact rational outputs, allowing one more deletion changes the required private information. It rises from zero to every private feature sign in the excluded candidates. An encoding attains this conditional private-information minimum on the constructed family throughout a sequence of requests. On 1,001 AskUbuntu development records, deleting an initially excluded record admits another record at 13 of 51 fixed similarity cutoffs. Exact membership repair passes 13,056 deletion-step checks. Two model-based semantic calibrations fail their fixed criteria, so the downstream task study is not run. The central result is a retention contract: the future deletions a service promises to support determine which excluded data can still be needed.
• Abstract（参考訳）: トレーニングパイプラインは、モデルに適合する前に、よく似た例を取り除きます。 生のレコードを削除することで、その選択を変更でき、以前除外された例を認めることができる。 そのような要求の後に、どのようなサービスがトレーニングを再現しなければならないのか? 我々はこの質問に答え、以前の類似レコードが後続のレコードをブロックする固定されたルールについて答える。 将来の削除の総数に対する制限は、どのレコードがまだトレーニングに入ることができるかを正確に特定する。 このバウンダリを使用して、繰り返し削除された後に修正可能なトレーニング統計の要約を構築します。 補修された要約は、残りの予算で残したデータで再構築したものと同じである。 また、係数サイズにペナルティを持つ線形学習器であるリッジ回帰のための有限精度の特徴を構築した。 正確な合理的な出力で、もう1つの削除を可能にすると、必要なプライベート情報が変更される。 除外された候補では、0からすべてのプライベートフィーチャーサインに上昇する。 エンコーディングは、一連の要求を通じて構築されたファミリー上で、この条件付きプライベート情報の最小値を達成する。 1,001 AskUbuntuの開発記録では、最初に除外されたレコードを削除すると、51の固定された類似性カットオフのうち13の別のレコードが認められている。 有効メンバーシップ修復は13,056ステップの削除チェックをパスします。 モデルに基づく2つのセマンティックキャリブレーションは固定基準を満たさないため、下流のタスクスタディは実行されない。 サービスのサポートが約束する将来的な削除は、どの除外されたデータが必要なのかを判断します。

関連論文リスト

• HarnessMM: Recursive Self-Improvement for Harness Token Efficiency [49.460099832360875]
  エージェントは、以前の呼び出しですでに次のアクションが修正されている場合でも、ツールフィードバックの後に推論を繰り返し実行します。 本稿ではハーネスMM(Harness Minus Minus)を提案する。
  論文  参考訳（メタデータ） (2026-10-23T15:47:47Z)
• Counterfactual Certification for Sequential Unlearning with Long-Run Performance Guarantees [6.029433950934382]
  認定された機械学習フレームワークをシーケンシャルな削除要求に拡張する。 各モデルリリースは、削除されたグループが決して参加しない、反実的未学習の軌跡に対して認証する。 削除毎の微調整予算を固定することにより、スムーズな凸目標に対して、この手法は要求数に均一に性能損失を拘束し続けることを示す。
  論文  参考訳（メタデータ） (2026-10-13T08:56:26Z)
• Continual Data Unlearning in Diffusion Models via Transition-based Regularization [10.12227666886355]
  本稿では、削除完了の遷移を方向性参照として使用して、将来の更新を規則化する継続的データアンラーニングフレームワークを提案する。 削除後の完全な応答と一致するのではなく、記録された方向の逆転を阻止する一方的なペナルティを適用する。 記録は、記録された方向に沿った進行の局所感度に基づいてパラメータ更新に基づいて選択される。
  論文  参考訳（メタデータ） (2026-09-26T07:43:30Z)
• Machine Unlearning as Private Retroactive Algorithms [53.24897282360584]
  本稿では,レトロアクティビティ要求を連続観察下での差分プライバシーと組み合わせて,レトロアクティブアルゴリズムの定義を提案する。 本稿では, 線形統計, クラスタリング, ヒストグラムに対して, 不合理な結果とともに, プライバシのみを犠牲にして, プライバシとレトロアクティビティを両立させる構造を提案する。
  論文  参考訳（メタデータ） (2026-09-04T16:32:11Z)
• Client-Side Probing of Deleted Ridge Statistics in Federated Unlearning [8.170162585703787]
  Federated Unlearningは、共有モデルからクライアントのデータを取り除き、スクラッチからリトレーニングすることを目的としている。 いくつかの効率的なシステムは、訓練機能のコンパクトで付加的な要約を格納することで、削除を正確にする。 これらの放送は、隠れた要約を明らかにすることもできる。
  論文  参考訳（メタデータ） (2026-09-03T20:59:09Z)
• What to Forget in Unlearning? Forget Set Curation for Language Models [24.23267387545857]
  依頼者が、どの曲、文書、引用文、あるいはほぼ重複しているかを知ることなく、曲や本の再生を中止するよう、モデルに求める方法を示す。 そこで我々はCleanSlate, 曲や本に対する冗長な出力抑制のためのベンチマーク, モデル固有の抽出プロファイル, コンテンツ基底QA, 能力保持評価を紹介する。
  論文  参考訳（メタデータ） (2026-08-14T19:51:53Z)
• Fast Unlearning at Scale via Margin Self-Correction [52.46927918952516]
  言語モデルアンラーニングは、トレーニングモデルを更新して、選択したトレーニング例を見ていないかのように振る舞う。 MASCは、既存のベースラインの計算コストのごく一部で、競争力のある忘れがちなトレードオフを達成する。
  論文  参考訳（メタデータ） (2026-06-01T21:49:54Z)
• Protecting the Undeleted in Machine Unlearning [21.833252081084996]
  本稿では,削除を伴わずに安全に計算できるタスクに対して,完全再トレーニングに固執するメカニズムにより,削除要求を発行するだけで,ほぼ全てのデータセットを再構築できることを示す。 我々は,他の点の削除による漏洩に対して,未削除データを特に保護する,新たなセキュリティ定義を提案する。
  論文  参考訳（メタデータ） (2026-02-18T18:44:21Z)
• UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
  ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。 これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。 本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:51:10Z)
• Learning to Unlearn: Instance-wise Unlearning for Pre-trained Classifiers [71.70205894168039]
  そこでは、事前訓練されたモデルからインスタンスのセットに関する情報を削除することを目標としています。 本稿では,1)表現レベルでの忘れを克服するために,敵の例を活用すること,2)不必要な情報を伝播するネットワークパラメータをピンポイントする重み付け指標を活用すること,の2つの方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T07:53:50Z)

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。