Buchumschlag

Decoupling the Class Label and the Target Concept in Machine Unlearning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Jianing, Han, Bo, Yao, Jiangchao, Xu, Jianliang, Niu, Gang, Sugiyama, Masashi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Understanding Valuable Preference Data for Large Language Model Alignment
von: Zhang, Zizhuo, et al.
Veröffentlicht: (2025)

Towards Effective Evaluations and Comparisons for LLM Unlearning Methods
von: Wang, Qizhou, et al.
Veröffentlicht: (2024)

Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning
von: Xiao, Jia-Hao, et al.
Veröffentlicht: (2024)

Towards Scalable Oversight with Collaborative Multi-Agent Debate in Error Detection
von: Chen, Yongqiang, et al.
Veröffentlicht: (2025)

Self-Calibrated Tuning of Vision-Language Models for Out-of-Distribution Detection
von: Yu, Geng, et al.
Veröffentlicht: (2024)

Locally Estimated Global Perturbations are Better than Local Perturbations for Federated Sharpness-aware Minimization
von: Fan, Ziqing, et al.
Veröffentlicht: (2024)

Embracing Biased Transition Matrices for Complementary-Label Learning with Many Classes
von: Mai, Tan-Ha, et al.
Veröffentlicht: (2026)

Rethinking Consistent Multi-Label Classification Under Inexact Supervision
von: Wang, Wei, et al.
Veröffentlicht: (2025)

Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical
von: Wang, Wei, et al.
Veröffentlicht: (2023)

Label Smoothing Improves Machine Unlearning
von: Di, Zonglin, et al.
Veröffentlicht: (2024)

Class Machine Unlearning for Complex Data via Concepts Inference and Data Poisoning
von: Chang, Wenhan, et al.
Veröffentlicht: (2024)

What Is Preference Optimization Doing, and Why?
von: Wang, Yue, et al.
Veröffentlicht: (2025)

BrokenBind: Universal Modality Exploration beyond Dataset Boundaries
von: Huang, Zhuo, et al.
Veröffentlicht: (2026)

Realistic Evaluation of Deep Partial-Label Learning Algorithms
von: Wang, Wei, et al.
Veröffentlicht: (2025)

DeepInception: Hypnotize Large Language Model to Be Jailbreaker
von: Li, Xuan, et al.
Veröffentlicht: (2023)

Generating Chain-of-Thoughts with a Pairwise-Comparison Approach to Searching for the Most Promising Intermediate Thought
von: Zhang, Zhen-Yu, et al.
Veröffentlicht: (2024)

Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation
von: Xu, Jie, et al.
Veröffentlicht: (2025)

In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement
von: Zhang, Zhen-Yu, et al.
Veröffentlicht: (2024)

Per-parameter Task Arithmetic for Unlearning in Large Language Models
von: Cai, Chengyi, et al.
Veröffentlicht: (2026)

BadLabel: A Robust Perspective on Evaluating and Enhancing Label-noise Learning
von: Zhang, Jingfeng, et al.
Veröffentlicht: (2023)

MeGU: Machine-Guided Unlearning with Target Feature Disentanglement
von: Wang, Haoyu, et al.
Veröffentlicht: (2026)

Mitigating Label Noise on Graph via Topological Sample Selection
von: Wu, Yuhao, et al.
Veröffentlicht: (2024)

Learning from Hard Labels with Additional Supervision on Non-Hard-Labeled Classes
von: Sugiyama, Kosuke, et al.
Veröffentlicht: (2025)

Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training
von: Xie, Ming-Kun, et al.
Veröffentlicht: (2024)

Federated Learning with Bilateral Curation for Partially Class-Disjoint Data
von: Fan, Ziqing, et al.
Veröffentlicht: (2024)

Multi-Label Knowledge Distillation
von: Yang, Penghui, et al.
Veröffentlicht: (2023)

Co-rewarding: Stable Self-supervised RL for Eliciting Reasoning in Large Language Models
von: Zhang, Zizhuo, et al.
Veröffentlicht: (2025)

A Fast Algorithm for the Real-Valued Combinatorial Pure Exploration of Multi-Armed Bandit
von: Nakamura, Shintaro, et al.
Veröffentlicht: (2023)

Accessible, Realistic, and Fair Evaluation of Positive-Unlabeled Learning Algorithms
von: Wang, Wei, et al.
Veröffentlicht: (2025)

Towards Efficient Target-Level Machine Unlearning Based on Essential Graph
von: Xu, Heng, et al.
Veröffentlicht: (2024)

Balancing Similarity and Complementarity for Federated Learning
von: Yan, Kunda, et al.
Veröffentlicht: (2024)

Realistic Image-to-Image Machine Unlearning via Decoupling and Knowledge Retention
von: Varshney, Ayush K., et al.
Veröffentlicht: (2025)

Accurate Forgetting for Heterogeneous Federated Continual Learning
von: Wuerkaixi, Abudukelimu, et al.
Veröffentlicht: (2025)

Forget-It-All: Multi-Concept Machine Unlearning via Concept-Aware Neuron Masking
von: Deng, Kaiyuan, et al.
Veröffentlicht: (2026)

Multi-Player Approaches for Dueling Bandits
von: Raveh, Or, et al.
Veröffentlicht: (2024)

Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers
von: Cai, Xin-Qiang, et al.
Veröffentlicht: (2025)

ICED: Concept-level Machine Unlearning via Interpretable Concept Decomposition
von: Lin, Shen, et al.
Veröffentlicht: (2026)

Unraveling the Impact of Heterophilic Structures on Graph Positive-Unlabeled Learning
von: Wu, Yuhao, et al.
Veröffentlicht: (2024)

Classifying Long-tailed and Label-noise Data via Disentangling and Unlearning
von: Shu, Chen, et al.
Veröffentlicht: (2025)

VEC-SBM: Optimal Community Detection with Vectorial Edges Covariates
von: Braun, Guillaume, et al.
Veröffentlicht: (2024)