Buchumschlag

Understanding Empirical Unlearning with Combinatorial Interpretability

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kodama, Shingo, Cohen, Niv, Adler, Micah, Shavit, Nir
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Combinatorial Interpretability of Neural Computation
von: Adler, Micah, et al.
Veröffentlicht: (2025)

The Birth of Knowledge: Emergent Features across Time, Space, and Scale in Large Language Models
von: Sawmya, Shashata, et al.
Veröffentlicht: (2025)

Toy Combinatorial Interpretability Models Reveal Lottery Tickets in Early Feature Space
von: Bebchuk, Alon, et al.
Veröffentlicht: (2026)

Negative Pre-activations Differentiate Syntax
von: Kong, Linghao, et al.
Veröffentlicht: (2025)

Expand Neurons, Not Parameters
von: Kong, Linghao, et al.
Veröffentlicht: (2025)

On the Complexity of Neural Computation in Superposition
von: Adler, Micah, et al.
Veröffentlicht: (2024)

SimKey: A Semantically Aware Key Module for Watermarking Language Models
von: Kodama, Shingo, et al.
Veröffentlicht: (2025)

A Capacity-Based Rationale for Multi-Head Attention
von: Adler, Micah
Veröffentlicht: (2025)

Learning to Interpret Weight Differences in Language Models
von: Goel, Avichal, et al.
Veröffentlicht: (2025)

An Interpretable Latency Model for Speculative Decoding in LLM Serving
von: Kong, Linghao, et al.
Veröffentlicht: (2026)

Budgeted Broadcast: An Activity-Dependent Pruning Rule for Neural Network Efficiency
von: Meirovitch, Yaron, et al.
Veröffentlicht: (2025)

Superscopes: Amplifying Internal Feature Representations for Language Model Interpretation
von: Jacobi, Jonathan, et al.
Veröffentlicht: (2025)

TuneTables: Context Optimization for Scalable Prior-Data Fitted Networks
von: Feuer, Benjamin, et al.
Veröffentlicht: (2024)

Classifying Nodes in Graphs without GNNs
von: Winter, Daniel, et al.
Veröffentlicht: (2024)

Boosting Anomaly Detection Using Unsupervised Diverse Test-Time Augmentation
von: Cohen, Seffi, et al.
Veröffentlicht: (2021)

Scalable Energy-Based Models via Adversarial Training: Unifying Discrimination and Generation
von: Yin, Xuwang, et al.
Veröffentlicht: (2025)

Wasserstein Distances, Neuronal Entanglement, and Sparsity
von: Sawmya, Shashata, et al.
Veröffentlicht: (2024)

Forbidden Facts: An Investigation of Competing Objectives in Llama-2
von: Wang, Tony T., et al.
Veröffentlicht: (2023)

Set Features for Anomaly Detection
von: Cohen, Niv, et al.
Veröffentlicht: (2023)

SolidMark: Evaluating Image Memorization in Generative Models
von: Kriplani, Nicky, et al.
Veröffentlicht: (2025)

Statistical curriculum learning: An elimination algorithm achieving an oracle risk
von: Cohen, Omer, et al.
Veröffentlicht: (2024)

Adaptive Budget Optimization for Multichannel Advertising Using Combinatorial Bandits
von: Gangopadhyay, Briti, et al.
Veröffentlicht: (2025)

Exploring Graph-Transformer Out-of-Distribution Generalization Abilities
von: Niv, Itay, et al.
Veröffentlicht: (2025)

DFPE: A Diverse Fingerprint Ensemble for Enhancing LLM Performance
von: Cohen, Seffi, et al.
Veröffentlicht: (2025)

Protecting the Undeleted in Machine Unlearning
von: Cohen, Aloni, et al.
Veröffentlicht: (2026)

Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates
von: Lang, Natalie, et al.
Veröffentlicht: (2024)

A Reliable Cryptographic Framework for Empirical Machine Unlearning Evaluation
von: Tu, Yiwen, et al.
Veröffentlicht: (2024)

Unlearning-based Neural Interpretations
von: Choi, Ching Lam, et al.
Veröffentlicht: (2024)

Adaptive Deadline and Batch Layered Synchronized Federated Learning
von: Goren, Asaf, et al.
Veröffentlicht: (2025)

Understanding Fine-tuning in Approximate Unlearning: A Theoretical Perspective
von: Ding, Meng, et al.
Veröffentlicht: (2024)

Towards Transfer Unlearning: Empirical Evidence of Cross-Domain Bias Mitigation
von: Lu, Huimin, et al.
Veröffentlicht: (2024)

Interpretable Dynamic Network Modeling of Tensor Time Series via Kronecker Time-Varying Graphical Lasso
von: Higashiguchi, Shingo, et al.
Veröffentlicht: (2026)

SEAL: Semantic Aware Image Watermarking
von: Arabi, Kasra, et al.
Veröffentlicht: (2025)

NeurCAM: Interpretable Neural Clustering via Additive Models
von: Upadhya, Nakul, et al.
Veröffentlicht: (2024)

Quantifying the Pre-training Dividend: Generative versus Latent Self-Supervised Learning for Time Series Foundation Models
von: Major, Noam, et al.
Veröffentlicht: (2026)

MoGU: Mixture-of-Gaussians with Uncertainty-based Gating for Time Series Forecasting
von: Aviv, Gilad, et al.
Veröffentlicht: (2025)

SAeUron: Interpretable Concept Unlearning in Diffusion Models with Sparse Autoencoders
von: Cywiński, Bartosz, et al.
Veröffentlicht: (2025)

A Neuro-inspired Interpretation of Unlearning in Large Language Models through Sample-level Unlearning Difficulty
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

Targeted Unlearning with Single Layer Unlearning Gradient
von: Cai, Zikui, et al.
Veröffentlicht: (2024)

SELECT: A Large-Scale Benchmark of Data Curation Strategies for Image Classification
von: Feuer, Benjamin, et al.
Veröffentlicht: (2024)