容易被遗忘的联邦线性学习方法:基于认证数据的“去学习”机制

《IEEE Transactions on Neural Networks and Learning Systems》:Forgettable Federated Linear Learning With Certified Data Unlearning

【字体: 大 中 小 】 时间:2026年04月23日 来源:IEEE Transactions on Neural Networks and Learning Systems 8.9

编辑推荐:

  联邦学习中的遗忘机制研究:提出F2L策略通过预训练模型近似DNN,实现服务器端无需客户端协作即可安全高效遗忘目标用户数据,并在多种规模数据集上验证了其在模型精度与遗忘效果间的平衡性。

  

摘要:

联邦学习(FL)的出现彻底改变了分布式系统处理协作模型训练的方式,同时保护了用户隐私。最近,联邦遗忘(FU)技术应运而生,旨在满足“被遗忘的权利”需求,并在无需重新训练的情况下消除受污染客户端的影响。大多数FU算法需要保留的客户端或目标客户端的配合,这会增加额外的通信开销并带来潜在的安全风险。此外,一些FU方法还需要存储历史模型以执行遗忘过程。这些挑战限制了当前FU方法的效率和内存使用。由于非线性模型及其训练策略的复杂性,大多数现有的深度神经网络(DNN)FU方法缺乏理论证明。在这项工作中,我们提出了一种新颖的DNN联邦学习和遗忘策略,称为“可遗忘的联邦线性学习”(Forgettable Federated Linear Learning,简称F2L2)。F2L2采用了一种常见方法,即使用预训练模型对DNN进行线性近似,从而通过联邦线性训练(FLT)实现与原始网络相似的性能。随后,我们提出了FedRemoval——一种经过验证的、高效且安全的遗忘策略,它允许服务器在无需客户端通信或额外存储的情况下消除目标客户端的影响。我们在从小规模到大规模的数据集上进行了广泛的实证验证,使用了卷积神经网络和现代基础模型(FMs)。实验表明,F2L2在平衡模型准确性和成功消除目标客户端影响方面表现出色。F2L2为高效且可靠的联邦遗忘提供了一种有前景的解决方案。代码可访问地址:https://anonymous.4open.science/r/2F2L-Federated-Unlearning-D57D/README.md
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号