ポイントを賭ける: 構造に忠実なインスタンスアンラーニング

要約: 機械的忘却（MU）は、事前学習済みモデルにおけるプライバシーリスクに対処します。MUの主な目的は、指定データの影響を取り除きつつ、保持された知識の有用性を保つことです。これを達成するには、保持されたデータ点間の意味的関係を保持する必要がありますが、既存の研究はしばしばこれを見落としています。私たちは、保持がない場合、モデルは漸進的な構造崩壊に悩まされ、削除と保持のバランスの両方を損なうことを観察します。本研究では、知識構造を維持する参照点として機能する意味的アンカー、すなわち「stakes」を導入する新しい構造忠実フレームワークを提案します。これらのアンカーを活用することにより、私たちのフレームワークは知識の意味的な組織を捉え、安定化します。具体的には、言語駆動の属性記述を、意味エンコーダ（例：CLIP）によってエンコードしてアンカーを具現化します。私たちは、構造認識に基づく整合と正則化を通じて知識構造の保持を強制します。前者はアンカー周りの忘却前後の保持知識の組織を揃え、後者は構造的に重要なパラメータの更新を規制します。画像分類、検索、顔認識の結果は、性能が平均で32.9%、22.5%、19.3%向上を示し、削除と保持のトレードオフのバランスを取り、一般化を高めます。