日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

オフラインRL/データ削除arXiv:2607.21111

TOUR: オフライン強化学習のための軌跡レベル忘却ベンチマーク

TOUR: A Trajectory-Level Unlearning Benchmark for Offline Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

オフライン強化学習における軌跡レベルのデータ削除を評価するベンチマークTOURを提案し、既存の削除手法が環境依存でプライバシーと有用性のトレードオフが異なることを示した。

詳しい要約

1. どんなもの?

TOURは、オフライン強化学習(RL)における軌跡レベルの削除(unlearning)を評価するためのベンチマークである。オフラインRLエージェントは固定された行動軌跡で訓練されるため、訓練後に選択されたデータを削除する必要がある場合、軌跡レベルの削除が重要となる。TOURは、軌跡レベルの分割、マッチした非メンバー対照、再訓練参照、保持性能アンカー、複数攻撃によるプライバシー監査を組み合わせることで、削除の評価を可能にする。

2. 先行研究と比べてどこがすごい?

先行研究では、単一の尤度ベースのメンバーシップスコアで削除を評価することが多かったが、これは削除の質を過大評価する可能性がある。TOURは、複数の攻撃ファミリーと再訓練参照を用いることで、より堅牢な評価を提供する。また、一般的な削除ベースライン(GA+Refitなど)と比較して、再訓練やファインチューニングが保持ユーティリティの参照としてより強いことを示す点が新しい。

3. 技術・手法の肝は?

TOURの手法の肝は、軌跡レベルのデータ分割と、非メンバー対照の構築、再訓練参照の利用、保持性能アンカー、そして複数の攻撃(reference-model, threshold, deviation, equivalence, action-error, representation-based, query-limited)による監査を組み合わせることである。これにより、単一のスコアに依存せず、削除の効果を多角的に評価する。

4. どうやって有効だと検証した?

D4RL locomotion実験と探索的なAntMaze拡張を用いて検証した。その結果、一般的な削除ベースラインは環境依存のプライバシーとユーティリティのトレードオフを示し、再訓練とファインチューニングはしばしばuniform GA+Refitよりも強い保持ユーティリティ参照を提供することが示された。また、TrajDeleterは有用な比較対象であるが、同じ監査の下で一様に強いわけではないことが分かった。

5. 議論はある?

議論として、オフラインRLのunlearningに関する結論は、単一スコア監査では安定しないことが示された。結論は、マッチした非メンバー構築、再訓練相対較正、攻撃ファミリー、保持ユーティリティ、診断アーキテクチャやコンポーネントレベルの証拠の明示的なスコープに依存する。要旨からは、さらなる議論や限界は不明である。

6. 次に読むべき論文は?

要旨で参照されている研究は、D4RL、AntMaze、TrajDeleter、GA+Refitなどである。次に読むべき論文としては、これらの手法の詳細を扱った論文が挙げられる。具体的には、TrajDeleterの元論文や、オフラインRLのunlearningに関する他の研究が考えられるが、要旨からは特定の論文名は不明である。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Chaofan Pan, Lingfei Ren, Xiangyu Jiang, Yanhua Li, Xuemei Cao, Xiangkun Wang, Hao Yu, Wei Wei, Xin Yang

分類: cs.LG, cs.AI

原文アブストラクト

Offline Reinforcement Learning (RL) agents are trained on fixed behavioral trajectories, which makes trajectory-level deletion important when selected data must be removed after training. Evaluating such deletion is difficult because a lower membership score can reflect trajectory removal, residual memorization visible to another attack, or policy collapse that destroys useful behavior. We introduce Trajectory-level memOrization and Unlearning in offline RL (TOUR), a benchmark that combines trajectory-level partitioning, matched non-member controls, retraining references, retained-performance anchors, and multi-attack privacy auditing. Across D4RL locomotion experiments and an exploratory AntMaze extension, TOUR shows that common deletion baselines have environment-dependent privacy-utility behavior. Retraining and fine-tuning often provide stronger retained-utility references than uniform GA+Refit, while TrajDeleter remains a useful comparator but is not uniformly stronger under the same audit. Reference-model, threshold, deviation, equivalence, action-error, representation-based, and query-limited attacks further show that a single likelihood-based membership score can overstate deletion quality. In the evaluated settings, conclusions about offline RL unlearning are therefore not stable under single-score auditing. They depend on matched non-member construction, retraining-relative calibration, attack family, retained utility, and explicit scope for diagnostic architecture or component-level evidence.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI