FOMO: Forget the Concept, Don't Miss Out on the Scene in Selective Video Unlearning
Łukasz Rudnik, Agnieszka Polowczyk, Alicja Polowczyk, Przemysław Spurek
実装難易度
Hard
推論・学習コスト
High
想定用途
生成
概要
The rapid advancement of generative video models has enabled the synthesis of increasingly realistic and temporally coherent videos, while also raising concerns about the generation of harmful content. The reliance on large-scale web datasets during training inevitably exposes these models to undesirable material, making concept unlearning an essential mitigation. Existing methods mainly target…
何が新しいか
The rapid advancement of generative video models has enabled the synthesis of increasingly realistic and temporally coherent videos, while also raising concerns about the generation of harmful…
何に使えるか
生成
実装情報
- Paper URL
- あり
- GitHub URL
- あり
実装チェックリスト
実装または配布ページ
OKコードまたはモデル配布ページから検証を始められます。
一次情報リンク
OKPaper / GitHub
検証しやすさ
要確認大規模モデル、生成、強化学習など再現コストが高い要素を含みます。
計算資源
要確認学習や高解像度推論ではGPUメモリと実行時間に注意が必要です。
ライセンス
未取得配布元のLICENSE、モデルカード、Paperの利用条件を確認してください。
商用利用
未取得研究利用限定、データセット由来制限、API規約の有無を確認してください。
自社データで試すなら
製造業・材料開発のExcel/CSVデータに落とし込むための最初の手順です。
- 1まずExcel/CSVの実験条件、組成、物性値を1行1実験の表に整理します。
- 2LightGBMやRandom Forestなどのベースラインを先に作り、この手法と比較します。
- 3評価指標はR2/RMSE、AUC、異常検知の再現率、実験回数削減率など、現場の意思決定に近いものを選びます。
- 4SHAPや特徴量重要度で、効いている因子が物理・化学・工程知識と矛盾しないか確認します。
実装難易度
Hard - 大規模モデル、生成、強化学習など再現コストが高い要素を含みます。
必要リソース
- GPU目安: High
- データセット: 論文・リポジトリ側の指定を確認してください。
- 学習要否: 再学習や評価環境の準備が必要になる可能性があります。
- 学習や高解像度推論ではGPUメモリと実行時間に注意が必要です。
実務で使う場合の注意点
- ライセンスと商用利用条件は、Paper / GitHub / Hugging Face の配布元で確認してください。
- 精度、再現性、計算コストはデータセットや評価条件に依存します。
- 個人情報や機密データを扱う場合は、入力データの保存先と外部API利用条件を確認してください。
関連記事
FutureWorlds: Learning Robotic World Models from Alternative Futures
Robotic world models predict action-conditioned future scenes, providing a foundation for understanding action
Soundwich: Video Generation with Layered and Controllable Audio
Recent joint audio-video generative models can synthesize realistic videos with synchronized sound, but typica
Sana — SANA: Efficient High-Resolution Image Synthesis with Linear Diffusion Transformer
SANAは、高解像度画像生成モデルSANAを紹介する本研究であり、低計算コストで優れた高解像度画像を生成できる。
PickMoment: Continuous-Time Single-Image-to-Video via Learning Deblurring and Blur-to-Video
Motion blur arises from the temporal integration of a continuous sharp signal over a finite exposure window, y