PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.10680v2cs.LG

프록시 기반 언러닝을 위한 행동적 보장

Behavioral Guarantees for Proxy-Based Unlearning

본 논문에서는 최근의 프록시 기반 언러닝(unlearning) 방법들을 일반화하는 프레임워크를 제안하고, 언러닝된 결과 모델의 행동에 대한 이론적 보장, 즉 보존 데이터(retain data)의 이상적인 사후 분포와의 쿨백-라이블러 발산(Kullback-Leibler divergence)에 대한 상한을 증명합니다. 저자들은 근사 언러닝을 제약 최적화(constrained optimization) 문제로 모델링하고, 해의 집합을 출력 공간에서 스케일링된 언러닝 신호를 도입하는 것으로 해석합니다. 언러닝 신호는 데이터 사후 분포의 프록시로부터 발생합니다. 행동 상한을 보장하기 위해 그 스케일은 프록시에 맞춰 조정됩니다. 이 프레임워크는 프록시를 생성하기 위해 데이터 분포의 구조에 의존합니다. 필요한 경우, 타깃은 가중치 업데이트를 증류하기 위한 교사(teacher) 역할을 수행합니다. 제안하는 접근법은 두 가지 망각 시나리오에서 처음부터 다시 학습(retrained from scratch)된 모델에 가장 근접한 분류기에 도달함을 실험적으로 검증합니다.