論文の概要: Reasoning-Aware Cross-Modal Association Unlearning in Multimodal Large Reasoning Models
- arxiv url: http://arxiv.org/abs/2611.06168v1
- Date: Wed, 04 Nov 2026 08:48:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.032306
- Title: Reasoning-Aware Cross-Modal Association Unlearning in Multimodal Large Reasoning Models
- Title（参考訳）: マルチモーダル大共振モデルにおける共振型クロスモーダルアソシエーションの学習
- Abstract要約: マルチモーダル大推論モデル(MLRM)は、視覚入力とテキストおよびパラメトリック知識を統合する。
これにより、視覚的な入力がそのような情報にアクセスできなくなった場合、プライバシー上の懸念が生じる。
クロスモーダルなアソシエーション編集のためのパラメータ効率のよいフレームワークであるVisual-Keyed Counterfactual Rebinding (VKCR)を提案する。
- 参考スコア（独自算出の注目度）: 18.16720100671223
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal large reasoning models (MLRMs) integrate visual inputs with textual and parametric knowledge, allowing sensitive information to be accessed through cross-modal associations during reasoning. This raises privacy concerns when a visual input should no longer provide access to such information. Machine unlearning can remove this influence without retraining the model from scratch. However, multimodal unlearning methods mainly target samples, concepts, or knowledge content, without separating the knowledge from the cross-modal association through which it is accessed. In reasoning models, target information may disappear from the final answer while remaining in intermediate reasoning, or be replaced by incorrect substitute knowledge. We therefore study cross-modal association unlearning, where the forget target is a designated visual-to-knowledge association: the model should suppress target-bearing behavior under the designated visual context while preserving access to the same knowledge in permitted contexts. We propose Visual-Keyed Counterfactual Rebinding (VKCR), a parameter-efficient framework for cross-modal association editing. VKCR first localizes the edit to a compact association-conditioned parameter subspace. It then reduces support for the designated target at task outputs and counterfactually rebinds the affected reasoning behavior by discouraging target-bearing or unsupported continuations while favoring valid non-sensitive alternatives. We further introduce CLEAR-R and MLLMU-R to evaluate target leakage, hallucinated reassociation, reasoning preservation, and modality-specific utility. Experiments show that VKCR substantially reduces image-conditioned target leakage and hallucinated reassociation, including across heterogeneous task formulations, while preserving non-sensitive visual reasoning and permitted text-only knowledge.
- Abstract（参考訳）: MLRM(Multimodal large reasoning model)は、視覚入力をテキストやパラメトリックの知識と統合し、推論中に相互に関連付けられた情報にアクセスできるようにする。
これにより、視覚的な入力がそのような情報にアクセスできなくなった場合、プライバシー上の懸念が生じる。
機械学習は、モデルをスクラッチからトレーニングすることなく、この影響を取り除くことができる。
しかし、マルチモーダル・アンラーニング手法は、主にサンプル、概念、知識コンテンツを対象とし、その知識を、それがアクセスされるクロスモーダル・アソシエーションから切り離すことなく、対象とする。
推論モデルでは、ターゲット情報は中間的推論に留まりながら最終回答から消えるか、誤った代替知識に置き換えられることがある。
そこで,学習対象が視覚的・知識的アソシエーションであるクロスモーダル・アソシエーション・アンラーニングについて検討し,そのモデルでは,許容された文脈における同じ知識へのアクセスを保ちながら,指定された視覚的コンテキスト下での目標達成行動を抑制するべきである。
クロスモーダルなアソシエーション編集のためのパラメータ効率のよいフレームワークであるVisual-Keyed Counterfactual Rebinding (VKCR)を提案する。
VKCRはまず編集をコンパクトなアソシエーション条件パラメータ部分空間にローカライズする。
そして、タスク出力における指定されたターゲットのサポートを減らし、有効な非感受性の代替案を好んで、目標を持つまたは支持しない継続を回避し、影響のある推論動作を偽装する。
さらに, CLEAR-R と MLLMU-R を導入し, 目標漏洩, 幻覚的再解離, 推論保存, モダリティ特異的ユーティリティについて検討した。
実験により、VKCRは、不均一なタスクの定式化を含む、画像条件のターゲットリークと幻覚的再連想を著しく低減し、非感受性な視覚的推論とテキストのみの知識を保存する。
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) - Toward Fine-Grained Forgetting:Attribute Unlearning for Multimodal Large Language Models [24.764929711765944]
マシンアンラーニングは、汎用性を維持しながら、スクラッチからリトレーニングすることなく、指定された知識を除去しようとする。
既存のプライバシ指向のベンチマークでは、主にプロファイルレベルの削除が採用されているが、実用的な要求はよりきめ細かいものが多い。
属性レベルのMLLMアンラーニングをよりきめ細かなタスクとして導入し、長文、数値、短文ターゲット、複数忘れ率、多様な質問タイプにまたがるベンチマークを構築した。
評価の結果,対象属性と保持属性が識別特異性および視覚的証拠を共有していることが判明した。
論文 参考訳（メタデータ） (2026-08-02T05:23:44Z) - DistractMIA: Black-Box Membership Inference on Vision-Language Models via Semantic Distraction [9.614855021411351]
視覚言語モデル(VLM)は、プライベート、著作権、その他の機密データを含む大規模な画像テキストコーパスで訓練される。
本研究では,意味的注意散らしに基づく出力専用ブラックボックスフレームワークDistractMIAを提案する。
DistractMIAは元のイメージを保存し、既知のセマンティックイントラクタを挿入し、生成したレスポンスがどのように変化するかを測定する。
論文 参考訳（メタデータ） (2026-05-12T12:04:11Z) - MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。
MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
論文 参考訳（メタデータ） (2026-02-19T05:20:31Z) - Cross-modal Context-aware Learning for Visual Prompt Guided Multimodal Image Understanding in Remote Sensing [13.07017587646803]
視覚プロンプト型マルチモーダル画像理解(CLV-Net)のためのクロスモーダルコンテキスト認識学習を提案する。
CLV-Netは、ユーザが興味のある領域を示すシンプルなビジュアルキュー、バウンディングボックスを提供する。
このキューを使ってモデルをガイドし、ユーザーの意図を忠実に反映した相関したセグメンテーションマスクとキャプションを生成する。
論文 参考訳（メタデータ） (2025-12-12T15:59:49Z) - AUVIC: Adversarial Unlearning of Visual Concepts for Multi-modal Large Language Models [63.05306474002547]
を強制する規制フレームワークは、機械学習の必要性を喚起します。
AUVICはMLLMのための新しい視覚概念アンラーニングフレームワークである。
AUVICは,非ターゲット概念の性能劣化を最小限に抑えつつ,最先端の目標忘れ率を実現していることを示す。
論文 参考訳（メタデータ） (2025-11-14T13:35:32Z) - CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。
CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
論文 参考訳（メタデータ） (2025-10-09T09:41:45Z) - From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。
本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。
私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
論文 参考訳（メタデータ） (2025-02-09T10:30:54Z) - CLIP-Driven Fine-grained Text-Image Person Re-identification [50.94827165464813]
TIReIDは、候補画像のプールから与えられたテキストクエリに対応する画像を取得することを目的としている。
TIReIDにおけるCLIPの強力な知識をフル活用するための,CLIP駆動のきめ細かい情報抽出フレームワーク(CFine)を提案する。
論文 参考訳（メタデータ） (2022-10-19T03:43:12Z) - Cross-modal Representation Learning for Zero-shot Action Recognition [67.57406812235767]
我々は、ゼロショット動作認識(ZSAR)のためのビデオデータとテキストラベルを共同で符号化するクロスモーダルトランスフォーマーベースのフレームワークを提案する。
我々のモデルは概念的に新しいパイプラインを使用し、視覚的表現と視覚的意味的関連をエンドツーエンドで学習する。
実験結果から,本モデルはZSARの芸術的状況に大きく改善され,UCF101,HMDB51,ActivityNetベンチマークデータセット上でトップ1の精度が向上した。
論文 参考訳（メタデータ） (2022-05-03T17:39:27Z)
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。