ترجمه فارسی مقاله یادگیری‌زدایی قابل کنترل برای مدل‌های مولد تصویر به تصویر از طریق بهینه‌سازی مقید $\varepsilon$

چکیده

While generative models have made significant advancements in recent years, they also raise concerns such as privacy breaches and biases. Machine unlearning has emerged as a viable solution, aiming to remove specific training data, e.g., containing private information and bias, from models. In this paper, we study the machine unlearning problem in Image-to-Image (I2I) generative models. Previous studies mainly treat it as a single objective optimization problem, offering a solitary solution, thereby neglecting the varied user expectations towards the trade-off between complete unlearning and model utility. To address this issue, we propose a controllable unlearning framework that uses a control coefficient $varepsilon$ to control the trade-off. We reformulate the I2I generative model unlearning problem into a $varepsilon$-constrained optimization problem and solve it with a gradient-based method to find optimal solutions for unlearning boundaries. These boundaries define the valid range for the control coefficient. Within this range, every yielded solution is theoretically guaranteed with Pareto optimality. We also analyze the convergence rate of our framework under various control functions. Extensive experiments on two benchmark datasets across three mainstream I2I models demonstrate the effectiveness of our controllable unlearning framework.

چکیده به فارسی (ترجمه ماشینی)

در حالی که مدلهای تولیدی در سالهای اخیر پیشرفتهای چشمگیری داشته اند ، آنها همچنین نگرانی هایی از قبیل نقض حریم خصوصی و تعصب را ایجاد می کنند.فرآورده شدن دستگاه به عنوان یک راه حل مناسب با هدف حذف داده های آموزشی خاص ، به عنوان مثال ، حاوی اطلاعات خصوصی و تعصب ، از مدل ها ظاهر شده است.در این مقاله ، ما مشکل ناآرام دستگاه را در مدل های تولیدی تصویر به تصویر (I2I) مطالعه می کنیم.مطالعات قبلی عمدتاً آن را به عنوان یک مشکل بهینه سازی هدف واحد ، ارائه یک راه حل انفرادی ، در نتیجه از انتظارات متنوع کاربر نسبت به تجارت بین آرایش کامل و ابزار مدل غفلت می کند.برای پرداختن به این مسئله ، ما یک چارچوب غیرقابل کنترل قابل کنترل را پیشنهاد می کنیم که از ضریب کنترل $ varepsilon $ برای کنترل تجارت استفاده می کند.ما مشکل مدل سازی مدل تولیدی i2i را در یک مشکل بهینه سازی $ varepsilon $ اصلاح می کنیم و آن را با یک روش مبتنی بر گرادیان حل می کنیم تا راه حل های بهینه برای مرزهای موجود پیدا کنیم.این مرزها دامنه معتبر را برای ضریب کنترل تعریف می کنند.در این محدوده ، هر راه حل حاصل از نظر تئوری با بهینه Pareto تضمین می شود.ما همچنین میزان همگرایی چارچوب خود را تحت توابع مختلف کنترل تجزیه و تحلیل می کنیم.آزمایش های گسترده ای در دو مجموعه داده معیار در سه مدل اصلی I2I نشان دهنده اثربخشی چارچوب غیرقابل کنترل ما است.