通过表示误导和自适应锚点生成实现联合去学习

《IEEE Transactions on Dependable and Secure Computing》:Federated Unlearning via Representation Misdirection with Adaptive Anchor Generation

【字体: 大 中 小 】 时间:2026年05月08日 来源:IEEE Transactions on Dependable and Secure Computing 7.5

编辑推荐:

   摘要: 根据《通用数据保护条例》(GDPR)等数据保护法规,联邦系统中的每个参与者都享有被“遗忘”的权利。因此,联合去学习(Federated Unlearning)成为了一个研究前沿领域,其目标是在保留其他参与者模型效用的同时,移除某个特定参与者的数据贡献。然而,大多数去学习

  

摘要:

根据《通用数据保护条例》(GDPR)等数据保护法规,联邦系统中的每个参与者都享有被“遗忘”的权利。因此,联合去学习(Federated Unlearning)成为了一个研究前沿领域,其目标是在保留其他参与者模型效用的同时,移除某个特定参与者的数据贡献。然而,大多数去学习技术关注的是水平联邦学习(Horizontal Federated Learning,HFL),在这种学习方式中,数据是按样本进行划分的。相比之下,垂直联邦学习(Vertical Federated Learning,VFL)允许拥有互补特征空间的组织在不共享原始数据的情况下共同训练模型。这种基于特征划分的架构使得针对HFL的去学习方法变得无效。在本文中,我们提出了ReMisVFU,这是一个即插即用的表示误导框架,能够在splitVFL系统中实现快速的客户端级去学习。当收到删除请求时,发起删除请求的方会将自身的编码器输出映射到单位球面上生成的锚点上,从而切断其特征与全局模型之间的统计关联。为了保持其他参与者的模型效用,服务器会联合优化保留损失(retention loss)和遗忘损失(forgetting loss),并通过正交投影使它们的梯度对齐,以消除相互干扰。在公开基准测试中的评估表明,ReMisVFU能够将后门攻击的成功率降低到与自然类别分布相当的水平,并且仅损失约2.5%的准确率,其性能优于现有的最佳技术。
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