論文の概要: Is Forgetting Unified? Exploring Concept Unlearning in Unified Multimodal Models
- arxiv url: http://arxiv.org/abs/2611.04467v1
- Date: Tue, 03 Nov 2026 07:56:19 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:37:34.305228
- Title: Is Forgetting Unified? Exploring Concept Unlearning in Unified Multimodal Models
- Title（参考訳）: 予測は統一されるか? 統一マルチモーダルモデルにおける概念未学習の探求
- Abstract要約: 統一マルチモーダルモデル(UMM)は、画像生成と視覚的理解を統合しているが、両方の対象概念を抑えるのに十分な1経路の未学習手法は存在するか?
我々のゴールは、モデルがターゲット概念のイメージを生成し、他の機能を保持しながら、入力イメージでそれを識別するのを防ぐことである。
代表的UMM実験により, 評価された単一経路法は, 限られた関節の忘れを生じさせることが示された。
提案手法は,BAGEL-7B-MoTで80.0%,Janus-Pro-7Bで92.7%,Janus-Pro-7Bで92.7%,共同忘れ率で代表ベースラインを上回ったUniForgetを提案する。
- 参考スコア（独自算出の注目度）: 42.731890571672686
- License:
- Abstract: Unified multimodal models (UMMs) integrate image generation and visual understanding, but are existing single-pathway unlearning methods sufficient to suppress target concepts across both? In this work, we study cross-pathway concept unlearning. Our goal is to prevent a model from both generating images of a target concept and identifying it in input images, while preserving other capabilities. To this end, we introduce UUBench, a diagnostic benchmark covering 30 target concepts and 60 semantically related neighboring concepts. Experiments on representative UMMs show that the evaluated single-pathway methods achieve limited joint forgetting: generation-side editors strongly suppress target generation but yield limited forgetting in visual understanding, while understanding-side baselines struggle to achieve substantial forgetting even in their own pathway. Their direct composition also yields limited joint forgetting. We therefore propose UniForget, achieving joint forgetting rates of 80.0% on BAGEL-7B-MoT and 92.7% on Janus-Pro-7B, outperforming representative baselines. Further analysis reveals trade-offs between joint forgetting and capability preservation.
- Abstract（参考訳）: 統一マルチモーダルモデル(UMM)は、画像生成と視覚的理解を統合しているが、両方の対象概念を抑えるのに十分な1経路の未学習手法は存在するか?
本研究では,クロスパスの概念を未学習で研究する。
我々のゴールは、モデルがターゲット概念のイメージを生成し、他の機能を保持しながら、入力イメージでそれを識別するのを防ぐことである。
そこで本研究では,30の目標概念と60のセマンティック関連概念を対象とする診断ベンチマークUUBenchを紹介する。
生成側エディターは、ターゲット生成を強く抑制するが、視覚的理解において限定的な忘れを生じさせる一方、理解側ベースラインは、自分自身の経路でも実質的な忘れを達成できない。
彼らの直接的な構成は、限られた関節の忘れを生じさせる。
そこで我々はUniForgetを提案し,BAGEL-7B-MoTでは80.0%,Janus-Pro-7Bでは92.7%,代表ベースラインでは92.7%であった。
さらなる分析により、共同忘れと能力保存のトレードオフが明らかになる。
関連論文リスト
- Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。
本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。
我々の手法は一貫して最先端の手法より優れている。
論文 参考訳（メタデータ） (2026-03-09T03:11:11Z) - Rethinking Robust Adversarial Concept Erasure in Diffusion Models [13.578420382949828]
概念消去は、拡散モデル(DM)における望ましくないコンテンツを選択的に学習し、センシティブなコンテンツ生成のリスクを低減することを目的としている。
既存のほとんどの手法では、ターゲット概念を識別し、抑制するために敵の訓練を施しているため、機密出力の可能性が低下する。
我々は,S-GRACEを導入し,S-GRACEは概念空間のセマンティックガイダンスを利用して,敵のサンプルを生成し,消去訓練を行う。
論文 参考訳（メタデータ） (2025-10-31T08:53:02Z) - Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark [69.8473923357969]
統一マルチモーダルモデルは、視覚的理解と生成を共同で行うことを目的としているが、現在のベンチマークでは、その真の統合を検査することはめったにない。
提案するUni-MMMUは、8つの推論中心領域にまたがる生成と理解の双方向の相乗効果を拡大する総合的なベンチマークである。
論文 参考訳（メタデータ） (2025-10-15T17:10:35Z) - ConceptSplit: Decoupled Multi-Concept Personalization of Diffusion Models via Token-wise Adaptation and Attention Disentanglement [15.939409734710198]
本研究では,個別概念を学習と推論によって分割する新しいフレームワークであるConceptSplitを提案する。
まず,ToVA(Token-wise Value Adaptation)を導入する。
第2に,遠絡注意のための潜在最適化(LODA)を提案する。
論文 参考訳（メタデータ） (2025-10-06T10:22:46Z) - Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。
パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。
我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
論文 参考訳（メタデータ） (2025-06-05T06:39:43Z) - Fine-Grained Erasure in Text-to-Image Diffusion-based Foundation Models [56.35484513848296]
FADE(Fine grained Attenuation for Diffusion Erasure)は、テキストから画像への生成モデルのための非学習アルゴリズムである。
関連する概念に最小限の影響で目標概念を排除し、最先端の手法よりも保持性能が12%向上した。
論文 参考訳（メタデータ） (2025-03-25T15:49:48Z) - Modular Customization of Diffusion Models via Blockwise-Parameterized Low-Rank Adaptation [73.16975077770765]
コンセプトのスタイリングやマルチコンセプトのカスタマイズといったアプリケーションには、モジュール化が不可欠である。
インスタントマージ法は、個々のマージされた概念のアイデンティティ損失と干渉を引き起こすことが多い。
個々の概念のアイデンティティを正確に保存しつつ,複数の概念を効率的に組み合わせたインスタントマージ手法であるBlockLoRAを提案する。
論文 参考訳（メタデータ） (2025-03-11T16:10:36Z)
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。