論文の概要: DecisionUnlearn-Bench: Unlearning Probabilistic Decisions under Changing Schemas
- arxiv url: http://arxiv.org/abs/2610.38431v1
- Date: Wed, 28 Oct 2026 08:13:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:09.973263
- Title: DecisionUnlearn-Bench: Unlearning Probabilistic Decisions under Changing Schemas
- Title（参考訳）: Decision Unlearn-Bench: スキーマの変更による非学習確率決定
- Abstract要約: DecisionUnlearn-Benchは、削除された粒度をまたいだ完全、未学習、保持のみのモデルを比較する経験的なフレームワークである。
セマンティックオプションラベルを不透明なコードに置き換えることで、削除されたクラスの再訓練されたオラクルの認識がほとんどなくなることを示す。
CLINC150データセット上での開発チューニングは、48のインテントにまたがる正のプール効果を確立しない。
- 参考スコア（独自算出の注目度）: 5.43110904333163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine unlearning aims to reproduce the behavior of a model trained without designated data. For probabilistic decision models, this target also depends on the candidate options supplied at inference. We introduce DecisionUnlearn-Bench, an empirical framework that compares full, unlearned, and retain-only models across deletion granularities, label renderings, and candidate sets. Across 20 eligible model configurations on the BANKING77 dataset, full-to-oracle displacement increases consistently from example to association to class deletion. Replacing semantic option labels with opaque codes nearly eliminates the retrained oracle's recognition of deleted classes, even with successful acquisition of the full model, whereas changing the candidate set alters both the oracle and the measured unlearning progress. SimNPO satisfies the screening criterion in 19 of 20 configurations, but its gains vary substantially across seeds and deletion targets. Development tuning on the CLINC150 dataset does not establish a positive pooled effect across 48 intents. At approximately matched suppression, methods can differ markedly in oracle fidelity. Recovery experiments further distinguish initial forgetting from subsequent adaptation and show conclusions that depend on both architecture and metric. These results show that evaluating decision-model unlearning relative to a schema-specific retraining target, with separate reporting of effect size, utility, robustness, and recoverability.
- Abstract（参考訳）: 機械学習は、指定されたデータなしで訓練されたモデルの振る舞いを再現することを目的としている。
確率的決定モデルでは、このターゲットは推論時に提供される候補オプションにも依存する。
私たちはDecisionUnlearn-Benchを紹介します。DecisionUnlearn-Benchは、削除された粒度、ラベルレンダリング、および候補セットにわたる完全、未学習、保持のみのモデルを比較する経験的なフレームワークです。
BANKING77データセット上の20のモデル構成のうち、フル・ツー・オークルの変位は、例からクラス削除との関連まで一貫して増加する。
不透明なコードでセマンティックオプションラベルをリプレースすることで、完全モデルの獲得に成功しても、削除されたクラスの再訓練されたオラクルの認識をほぼなくし、一方、候補セットの変更は、オラクルと測定された未学習の進捗の両方を変える。
SimNPOは、20種中19種でスクリーニング基準を満たすが、種子や削除目標によって大きく異なる。
CLINC150データセット上での開発チューニングは、48のインテントにまたがる正のプール効果を確立しない。
ほぼ一致した抑制では、メソッドはオラクルの忠実度において著しく異なる。
回復実験は、初期忘れをその後の適応と区別し、アーキテクチャとメートル法の両方に依存する結論を示す。
これらの結果から,スキーマ固有のリトレーニング対象に対する決定モデルアンラーニングの評価が,効果サイズ,実用性,堅牢性,回復性を別々に報告していることが示唆された。
関連論文リスト
- Nominate-then-Adjudicate: LLM-Assisted One-Pass and Per-Instance MIP Solver Tuning [11.373218182238595]
混合整数プログラミングは、インスタンス毎に最適な設定が変化する数百から数千のパラメータを公開します。
本稿では,2つの設計選択に基いて構築された有望なアジュディケートパイプラインを提案する。
論文 参考訳（メタデータ） (2026-10-21T08:19:53Z) - 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) - ReMoDEx: A Local-to-Global Relevance-Based Model Decision Explainability Framework for large-Scale Image Datasets [1.6567880228735359]
ReMoDEx(Relevance Based Model Decision Explainability)は、画像分類におけるモデル決定行動の体系的、データセットスケール評価のためのフレームワークである。
ReMoDExは、モデル推論、ターゲットクラス選択、関連マップ生成、ヒートマップ標準化、パターンの類似性に基づくグループ化、クラスタレベルの解釈、空間関連評価といったステップワイズパイプラインを定義している。
ReMoDEx は VGG16 をベースとした COVID-19, Normal, Lung Opacity, Viral Pneumonia を識別する分類器に応用した。
論文 参考訳（メタデータ） (2026-07-08T01:15:50Z) - 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) - SALMUBench: A Benchmark for Sensitive Association-Level Multimodal Unlearning [1.9342545005503784]
SALMUBench (Sensitive Association-Level Multimodal Unlearning, SALMUBench) は、60Kのペルソナ属性アソシエーションの合成データセット上に構築されたベンチマークである。
アンラーニング効果を分離するためには、どちらも同じ400Mペアレザーブベースでゼロからトレーニングされる。
構造化されたホールドアウト・セット(ホールドアウト・アイデンティティ、ホールドアウト・アソシエーション)を用いて、未学習の有効性と副作用を正確に測定する新しい評価プロトコルを提案する。
論文 参考訳（メタデータ） (2026-03-27T11:33:59Z) - Dependence-Aware Label Aggregation for LLM-as-a-Judge via Ising Models [55.94503936470247]
大規模なAI評価は、審査員を含む、$K$アノテータからのバイナリ判断を集約することにますます依存している。
ほとんどの古典的なメソッドは、アノテータが条件的に独立であると仮定するが、真のラベルは$Yin0,1$であり、この仮定は LLM の審査員によってしばしば違反される。
我々はIsingグラフィカルモデルと潜在因子に基づく依存認識モデルの階層構造を通してラベルアグリゲーションを研究する。
論文 参考訳（メタデータ） (2026-01-29T21:26:50Z) - ssToken: Self-modulated and Semantic-aware Token Selection for LLM Fine-tuning [51.133569963553576]
ssTokenは自己変調されたセマンティックなToken Selectionアプローチである。
自己変調の選択とセマンティック・アウェアの選択の両方が、フルデータの微調整よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-10-21T03:21:04Z) - Mitigating Catastrophic Forgetting in Task-Incremental Continual
Learning with Adaptive Classification Criterion [50.03041373044267]
本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。
実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
論文 参考訳（メタデータ） (2023-05-20T19:22:40Z) - Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。
そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文 参考訳（メタデータ） (2023-04-04T03:48:56Z) - Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。
Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。
LASSO を用いて Model-to-Match フレームワークを運用する。
論文 参考訳（メタデータ） (2023-02-23T00:43:03Z) - Adaptive Threshold for Better Performance of the Recognition and
Re-identification Models [0.0]
LFWデータセットと自己準備型アスリートデータセット上で,オンライン最適化に基づく統計的特徴学習適応技術を開発した。
適応しきい値を採用するこの方法は、通常任意の分類および識別タスクでヒットアンドトライ法を介して取られる固定しきい値0.3,0.5,0.7と比較してモデル精度が12〜45%向上した。
論文 参考訳（メタデータ） (2020-12-28T15:40:53Z)
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。