本研究では、距離ベースの機械学習を活用した新しい機械学習アルゴリズム「DUCK」を提案している。DUCKは、メトリック学習を用いて、埋め込み空間における最も近い誤ったクラスのセントロイドに向けて忘却対象のサンプルを移動させることで、モデルから特定のデータサブセットの情報を効果的に削除する。
実験では、CIFAR10、CIFAR100、TinyImageNetのベンチマークデータセットを用いて、クラス削除(CR)とホモジニアスサンプル削除(HR)の2つのシナリオでDUCKの性能を評価した。DUCKは、既存手法と比較して、忘却対象の情報を完全に削除しつつ、保持対象の精度を最大限に維持することができた。さらに、新しい評価指標であるAdaptive Unlearning Score (AUS)を提案し、忘却精度と全体的な精度のトレードオフを定量的に評価した。
また、DUCKの忘却メカニズムについて詳細な分析を行い、特徴空間の構造変化や、Shapley値を用いた情報削除プロセスの可視化を通して、DUCKの動作原理を明らかにした。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Marco Cotogn... at arxiv.org 05-07-2024
https://arxiv.org/pdf/2312.02052.pdfDeeper Inquiries