論文の概要: Forget the Data, Keep the Capability: Switchable Unlearning for Retrieval
- arxiv url: http://arxiv.org/abs/2610.36858v1
- Date: Tue, 27 Oct 2026 08:54:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.250285
- Title: Forget the Data, Keep the Capability: Switchable Unlearning for Retrieval
- Title（参考訳）: データを捨てて、機能を維持する - 検索のための変更可能なアンラーニング
- Abstract要約: プライバシコンプライアンスに事前トレーニングされたバックボーンを適用可能な,切り替え可能なフレームワークであるMoMEを紹介する。
MoMEは1つのバックボーンを、検索を保存するコアパラメータと、完全なデータ知識を持つゼロdパラサイトパラメータに分割する。
評価された結合チャネルの集合に設定されたリットセットからCoreを独立に証明し、ランクベースのForgetting-Rank統計を導入する。
- 参考スコア（独自算出の注目度）: 12.496703668987925
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Privacy compliance requires re-identification models to selectively forget individuals while preserving their ability to recognize others. For this, we present MoME, a switchable framework that can adapt pre-trained backbones for privacy compliance, allowing the same model to switch between Full mode for standard inference and Core mode for unlearned inference. MoME splits one backbone into core parameters that preserve retrieval and zero-initialized parasitic parameters that carry the full-data knowledge, and training them under gradient isolation so the core never receives a forget-set gradient. Disabling the branch yields Core, which satisfies a request to delete a person's training data, and enabling it yields Full, which retains what the deleted data taught, so honoring the request is a flag flip rather than a retraining run. We prove Core independent of the forget set up to an audited set of coupling channels and introduce the rank-based Forgetting-Rank statistic to audit that independence in a trained model. On Market-1501, VeRi-776 and RegDB, Core reads at a retrained reference under three membership attacks while retrieving above it, and the retrieval advantage carries to ResNet and CLIP backbones. Code and weights are available at https://github.com/Jingong-Chen/MoME.
- Abstract（参考訳）: プライバシコンプライアンスは、個人を選択的に忘れると同時に、他者を認識する能力を保持するために、再識別モデルを必要とする。
このために、プライバシコンプライアンスのために事前トレーニングされたバックボーンを適用可能な切り替え可能なフレームワークであるMoMEを紹介し、同じモデルで標準推論のFullモードと未学習推論のCoreモードを切り替えることができます。
MoMEは、1つのバックボーンを1つのコアパラメータに分割し、検索と完全なデータ知識を持つゼロ初期化寄生パラメータを保存する。
ブランチを無効にすると、Coreは、人のトレーニングデータを削除するリクエストを満足させ、それを許容するFullは、削除されたデータが教えたものを保持するので、リクエストを尊重することは、再トレーニングではなくフラグフリップである。
テスト済みの結合チャネルの集合に設定したリットセットからCoreを独立して証明し、ランクベースのForgetting-Rank統計を導入して、トレーニングされたモデルでその独立性を評価する。
Market-1501、VeRi-776、RegDBでは、Coreは3つのメンバシップアタックの下で再トレーニングされた参照を読みながら、その上に検索し、検索の優位性はResNetとCLIPのバックボーンに渡される。
コードとウェイトはhttps://github.com/Jingong-Chen/MoME.comで入手できる。
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) - Source-Free Class Relearning: Diagnosing Forgetting in Class Unlearning [22.455121713091245]
クラスアンラーニングは、モデルが保持クラスのパフォーマンスを維持しながら指定された忘れクラスを認識する能力を削除することを目的としている。
本研究では,厳密なソースフリー環境での授業再学習について検討し,未学習のモデルのみを用いて,忘れたクラスを復元できるかどうかを問う。
論文 参考訳（メタデータ） (2026-09-02T02:45:56Z) - 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) - Dynamic Mixture of Latent Memories for Self-Evolving Agents [57.20419419302731]
MoLEMは、動的混合(MoE)に基づく潜在メモリフレームワークの生成混合物である。
我々は、数学、科学、コードドメインにまたがる連続的な学習シーケンスに基づいて、このフレームワークを訓練する。
連続学習を完了した後、Vanilla事前学習ベースラインよりも平均精度を10.40%向上させる。
論文 参考訳（メタデータ） (2026-05-21T03:35:10Z) - SHRED: Retain-Set-Free Unlearning via Self-Distillation with Logit Demotion [39.17638540496959]
SHRED (Self-distillation via High-surprisal-only Retain-free Entropy Demotion) は、キーインサイトに基づいて構築された、保持セットなしのアンラーニング手法である。
高情報トークンはモデルの記憶された知識に集中し、低情報トークンは一般的な言語能力を反映する。
SHREDは再学習攻撃やメンバシップ推論攻撃に対して堅牢であり、連続的なアンラーニングの実行が多数あった後も安定したユーティリティを維持している。
論文 参考訳（メタデータ） (2026-05-08T09:25:18Z) - Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。
本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
論文 参考訳（メタデータ） (2026-05-06T10:03:06Z) - Exact Federated Continual Unlearning for Ridge Heads on Frozen Foundation Models [9.98952145483793]
ファンデーションモデルは一般的に、フェデレートされた設定でプライベートなユーザ生成データに適応するために、小さな訓練可能なヘッドを持つフリーズ機能抽出器としてデプロイされる。
我々は,この問題を,リッジ-レグレッションヘッドを用いた凍結基礎モデルとして,実用的には関係があるが未探索の状態で研究する。
論文 参考訳（メタデータ） (2026-03-13T13:24:35Z) - Is Gradient Ascent Really Necessary? Memorize to Forget for Machine Unlearning [71.96329385684395]
勾配上昇(GA)に代わるモデル外挿法を提案する。
言い換えると、記憶モデルから参照モデルへの外挿によって、忘れモデルが得られる。
モデル外挿法の実装はシンプルで効率的であり、トレーニング全体を通して効果的に収束し、未学習のパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2026-02-06T07:11:27Z) - NOVO: Unlearning-Compliant Vision Transformers [17.810044173023474]
pnameは、要求されたセットを微調整することなく、将来の未学習リクエストに対してアンラーニングを実行することができる。
キーを取り除き、オンザフライで学習し、パフォーマンスの劣化を避けることで、フォーミングを実現する。
論文 参考訳（メタデータ） (2025-07-04T04:12:34Z) - 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)
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。