联邦遗忘学习综述：挑战与机遇
机器学习
2025-04-09 v3 人工智能
分布式、并行与集群计算
摘要
联邦学习 (FL) 于 2017 年提出，促进了非信任方之间的协作学习，而无需各方显式地共享彼此的数据。这使得能够在尊重 GDPR 和 CPRA 等隐私法规的同时，利用用户数据训练模型。然而，新兴的隐私要求可能强制模型所有者能够\emph{遗忘}某些已学习的数据，例如应数据所有者或执法部门的要求。这催生了一个名为\emph{机器遗忘}的活跃研究领域。在 FL 的背景下，许多为集中式环境开发的遗忘技术并不能直接适用！这是由于集中式学习和分布式学习之间的独特差异，特别是 FL 中的交互性、随机性、异构性和有限的可访问性。作为回应，最近的一系列工作专注于开发专为 FL 定制的遗忘机制。这篇 SoK 论文旨在深入审视\emph{联邦遗忘学习}文献，目标是识别这一新兴领域的研究趋势和挑战。通过仔细分类自 2020 年以来发表的关于 FL 遗忘的论文，我们旨在 pinpoint 联邦遗忘学习的独特复杂性，强调直接应用集中式遗忘方法的局限性。我们就影响移除和性能恢复方面比较了现有的联邦遗忘学习方法，对比了它们的威胁模型和假设，并讨论了其影响和局限性。例如，我们从多个角度分析了 FL 遗忘研究的实验设置，包括数据异构性及其模拟、用于演示的数据集以及评估指标。我们的工作旨在为未来的联邦遗忘学习研究提供见解和建议。
引用
@article{arxiv.2403.02437,
title = {A Survey on Federated Unlearning: Challenges and Opportunities},
author = {Hyejun Jeong and Shiqing Ma and Amir Houmansadr},
journal= {arXiv preprint arXiv:2403.02437},
year = {2025}
}