不均衡最適輸送を用いたワンステップ生成モデルの忘却

要旨: ワンステップ生成フレームワーク、例えばフローマップモデルなどの最近の進歩は、単一の前方伝播でノイズからデータへの直接マッピングを学習することにより、画像生成の効率を大幅に向上させました。しかし、これらの強力なジェネレータの安全性を確保するための機械学習モデルのアンラーニング（忘却）は、これまで全く検討されていません。既存の拡散過程のアンラーニング法は、多段階の反復的デノイジングプロセスに依存しているため、これらのワンステップモデルとは本質的に適合しません。本研究では、不均衡最適輸送（UOT）に基づくワンステップ生成モデル向けの新規なプラグアンドプレイ型クラスアンラーニングフレームワークである UOT-Unlearn を提案します。 我々の手法は、ターゲットクラスを抑制する忘却コストと、緩和された周辺分布制約を介して全体的な生成忠実度を維持する f-ダイバージェンスペナルティとの間の原理的なトレードオフとしてアンラーニングを定式化します。UOT を活用することで、忘却されたクラスの確率質量を残りのクラスへ滑らかに再分配し、低品質なサンプルやノイズのようなサンプルへ崩壊するのを防ぎます。 CIFAR-10 および ImageNet-256 における実験結果は、我々のフレームワークが優れたアンラーニング成功度（PUL）と保持品質（u-FID）を達成し、ベースラインを大幅に上回ることを示しています。