論文の概要: Phantom Forgetting: How BatchNorm State Fakes Deletion in Edge Split Machine Unlearning
- arxiv url: http://arxiv.org/abs/2610.34800v1
- Date: Mon, 26 Oct 2026 03:41:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.733306
- Title: Phantom Forgetting: How BatchNorm State Fakes Deletion in Edge Split Machine Unlearning
- Title（参考訳）: Phantom Forgetting:エッジスプリットマシンでBatchNorm状態が削除される方法
- Abstract要約: Batch Normalizationは、学習可能なウェイトが固定されたままでも、ターゲット固有の忘れ信号を生成することができることを示す。
同時に保持セットの劣化を減らし, 状態が引き起こす忘れのギャップも導入する。
その結果、エッジデバイスに保持されているものを含む分散正規化バッファを、セキュリティおよびプライバシ関連推論状態として確立する。
- 参考スコア（独自算出の注目度）: 1.3864667485212936
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Split learning is a natural fit for edge intelligence: a resource-constrained edge device runs the first layers of a network and offloads the remainder to a server, so that raw data never leave the device. When such a system must unlearn revoked or sensitive data for example to honor a right-to-erasure request, the deletion is commonly assessed through changes in forget-set accuracy. However, inference on an edge-server split also depends on non-learnable model state distributed across the two parties, and this state is especially volatile on edge devices subject to data drift, over-the-air updates, and checkpoint rollback. This paper isolates a state-integrity question with direct edge-security implications: can Batch Normalization (BN) running statistics create a target-specific forgetting signal even when every learnable weight remains fixed? We define a state-only diagnostic that separates learnable-parameter change from BN- buffer change and localizes the effect to the edge (client) side, the server side, and joint placements. We also introduce a state-induced forgetting gap (SIFG) that discounts simultaneous retain-set degradation. Over all ten CIFAR-10 forget classes, centralized BN recalibration on forget data reduces mean forget accuracy by 61.50 percentage points with zero weight change; in a split model, edge-only, server-only, and joint recalibration produce mean drops of 37.27, 41.71, and 51.90 points. The server-side state yields the largest selective gap relative to retain degradation, while joint recalibration causes the largest overall prediction change. These results establish distributed normalization buffers including those held on the edge device as security and privacy-relevant inference state, and show that forget accuracy should not be interpreted, or accepted as a deletion certificate, without an explicit edge-aware state-integrity audit.
- Abstract（参考訳）: リソース制約のあるエッジデバイスは、ネットワークの最初のレイヤを実行し、残りのレイヤをサーバにオフロードすることで、生データがデバイスを離れないようにします。
このようなシステムが、例えば、正しい消去要求を尊重するために、取り消しや機密データを解き放つ必要がある場合、その削除は、通常、忘れられたセットの精度の変化によって評価される。
しかし、エッジサーバの分割に関する推論は、2つのパーティに分散した非学習可能なモデル状態にも依存しており、この状態は特にデータドリフト、オーバー・ザ・エアの更新、チェックポイントのロールバックといったエッジデバイス上で不安定である。
バッチ正規化(BN)の実行統計は、学習可能な全ての重量が固定されている場合でも、目標固有の忘れ信号を生成することができるか?
BNバッファの変化から学習可能なパラメータ変化を分離し,エッジ(クライアント)側,サーバ側,共同配置にその効果をローカライズする状態のみの診断を定義する。
また, 同時保持セット劣化を低減させる状態誘発型忘れギャップ (SIFG) も導入した。
CIFAR-10 の10クラスすべてにおいて、忘れデータに対する集中的な BN の校正は平均の忘れの正確さを61.50ポイント減らし、0ウェイト変更を伴い、分割モデルでは、エッジのみ、サーバのみ、ジョイントの校正は37.27点、41.71点、51.90点となる。
サーバ側状態は、劣化を維持するための最大の選択的ギャップをもたらし、一方、共同再校正は、最大の全体的な予測変更を引き起こす。
これらの結果は、エッジデバイスに保持されているものを含む分散正規化バッファをセキュリティおよびプライバシ関連推論状態として確立し、明確なエッジ認識状態統合監査なしに、忘れの精度を解釈したり、削除証明書として受け入れるべきではないことを示す。
関連論文リスト
- Stale, Misattributed, or Late: Where Personal Memory Fails Before Generation [1.2891210250935148]
時間的妥当性は、主に私たちの設定におけるメモリ構築の特性である。
失敗したマージは古い値をアクティブに残し、偽マージは静かに現在の値を削除します。
2つの凍結ランゲージモデルが生成したテキストでプロンプトエラーを再現する。
論文 参考訳（メタデータ） (2026-10-07T15:37:12Z) - Conditional Predictive Sufficient Statistics for Visual Representation Learning [0.0]
有用な視覚表現は、観測された過去の統計であり、将来と共有される潜在因子を保持し、パッチプライベートノイズを破棄する。
我々はこの要件を条件付き予測十分統計(CPSS)として定式化する。
MNISTとCIFAR-10の小さな因果トランスフォーマーは、リーダーボードとしてではなく診断として使用される。
論文 参考訳（メタデータ） (2026-09-25T00:36:49Z) - When Residualization Helps an Audit: Format Effects, Slice Gains, and Their Limits [0.7734726150561088]
LLMシステムで使用される評価スコアは、測定する品質ではなく、表面形状を追跡することができる。
観測的NLIおよびQA設定では、不随伴アノテータのラベルを用いて評価する前に、保持された複製を凍結し、再評価する。
完全な人口合意は、報告された正のスライスゲインを持つすべての観測条件に該当し、要求内ランキングはそのようなQA設定すべてに該当する。
論文 参考訳（メタデータ） (2026-09-21T07:06:37Z) - DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。
DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。
DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
論文 参考訳（メタデータ） (2026-09-16T14:57:11Z) - Causal Unlearning in Collaborative Optimization: Exact and Approximate Influence Reversal under Adversarial Contributions [2.5565719921628443]
フェデレートされた学習システムは、プライバシー規則に従うためにデータ削除要求をサポートしなければならない。
本稿では,クライアントのコントリビューションをKrylov部分空間の共役反復によって近似することで,クライアントのコントリビューションを除去する手法であるHF-KCUを提案する。
我々は、k がヘッセン条件数である場合、クリロフ近似誤差が O((k 1/2-1)/(k1/2+1) として減少することを示す収束保証を提供する。
論文 参考訳（メタデータ） (2026-05-19T18:00:39Z) - Q-LocalAdam: Memory-Efficient Client-Side Adaptive Optimization for Edge Federated Learning [1.4610038284393168]
エッジデバイス上でのフェデレーション学習は、IID以外のクライアントデータと厳しいメモリ予算に対処する必要がある。
分散を意識した8ビット量子化ブロックワイド線形符号化と分散のためのログ空間符号化を応用したtextbfQ-LocalAdam を提案する。
論文 参考訳（メタデータ） (2026-05-17T17:23:23Z) - Geometric-Disentangelment Unlearning [106.99160454669902]
忘れたサンプルへの勾配は しばしば 保持された知識を傷つける
本稿では,GU(Geometric-disment Unlearning)を提案する。
本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
論文 参考訳（メタデータ） (2025-11-21T09:58:25Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - Subspace based Federated Unlearning [75.90552823500633]
フェデレート・アンラーニング(FL)は、ユーザが忘れられる権利を満たすために、特定のターゲットクライアントのFLへの貢献を取り除くことを目的としている。
既存のフェデレートされた未学習アルゴリズムでは、パラメータの更新履歴をサーバに格納する必要がある。
そこで我々は,SFUと呼ばれる,単純なyet効率のサブスペースに基づくフェデレーションアンラーニング手法を提案する。
論文 参考訳（メタデータ） (2023-02-24T04:29:44Z) - Over-the-Air Federated Learning with Privacy Protection via Correlated
Additive Perturbations [57.20885629270732]
我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。
従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。
本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
論文 参考訳（メタデータ） (2022-10-05T13:13:35Z) - Rate Region for Indirect Multiterminal Source Coding in Federated
Learning [49.574683687858126]
多数のエッジデバイスは、ローカルモデルの各ラウンドでアップデートをエッジに送信します。
既存の作品は、異なるエッジによって送信される情報の焦点を活用しない。
本稿では,間接多端音源符号化 fl のレート領域について検討する。
論文 参考訳（メタデータ） (2021-01-21T16:17:39Z)
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。