$ rightarrow$ ソースモデルは漏れるべきではない情報を漏らす：敵対的最適化によるドメイン適応におけるゼロショット転移のアンラーニング

Abstract

衛星画像や医療スキャンなど、ドメインをまたいだビジョンモデルの適応が進むにつれて、新たなプライバシー上のリスクが浮上してきました。すなわち、モデルが意図せずにソースドメイン固有の機微情報を保持し、それをターゲットドメインへ漏えいしてしまう可能性です。これは、機微なソースドメインデータのプライバシーを保護するための機械アンラーニング（machine unlearning）の説得力あるユースケースを生み出します。適応技術の中でも、ソースフリードメイン適応（SFDA: source-free domain adaptation）は、機械アンラーニング（MU）の喫緊の必要性を要請します。すなわち、ソースデータ自体は保護されている一方で、適応中に公開されるソースモデルはその影響を符号化してしまうのです。我々の実験では、既存のSFDA手法がターゲットドメインにおけるソース排他的クラスに対して強いゼロショット性能を示すことが明らかになりました。これは、それらのクラスがターゲットデータに表れていなくても、これらのクラスに関する知識がターゲットドメインへ意図せず漏えいされていることを示唆します。このリスクを特定し、対処するために、ドメイン適応におけるソース排他的クラスのアンラーニング（Unlearning Source-exclusive ClAsses in Domain Adaptation）を行うMU設定として、SCADA-ULを提案します。既存のMU手法は、データ分布のシフトを扱うように設計されていないため、この設定に対処できていません。そこで我々は新しいアンラーニング手法を提案します。すなわち、生成した忘却クラスのサンプルを敵対的に生成し、独自の再スケーリングによるラベリング戦略と敵対的最適化を用いて、ドメイン適応の過程でモデルにより忘却（unlearn）させます。また、本問題設定の連続学習版の2つのバリエーション、さらに「忘却されるべき特定のソースクラスが未知である」ケースへと研究を拡張します。理論的解釈とともに、包括的な実験結果により、提案手法が当該設定において一貫してベースラインを上回り、ベンチマークデータセットで再学習（retraining）レベルのアンラーニング性能を達成することを示します。コードは https://github.com/D-Arnav/SCADA で公開しています