FedShard：高效公平性与性能公平性的联邦式遗忘
计算与语言
2025-08-14 v1
摘要
为保护客户在遗忘权方面的权益，联邦遗忘旨在从全局学习模型中移除离开客户的数据贡献。虽然当前研究主要关注提高遗忘的效率和有效性，但在遗忘过程中关于去中心化客户间效率公平性和性能公平性的关键方面仍基本未被探讨。本研究引入 FedShard，即首个旨在同时保证效率公平性和性能公平性的联邦遗忘算法。FedShard 针对收敛性、遗忘效率与遗忘公平性之间的矛盾，提出了自适应解决方案。进一步，我们提出了两种新指标，用于定量评估遗忘算法的公平性，这两种指标被证明满足其他现有公平性度量标准的著名性质。我们的理论分析和数值评估均验证了 FedShard 在遗忘性能和效率上的公平性。我们展示了 FedShard 能缓解诸如级联离开和投毒攻击等不公平风险，实现客户间更均衡的遗忘成本。实验结果表明，FedShard 比从头重新训练快 1.3-6.2 倍，比当前最先进的精确遗忘方法快 4.9 倍。
引用
@article{arxiv.2508.09865,
title = {Assessing the Feasibility of Lightweight Whisper Models for Low-Resource Urdu Transcription},
author = {Abdul Rehman Antall and Naveed Akhtar},
journal= {arXiv preprint arXiv:2508.09865},
year = {2025}
}
备注
8 pages, 3 figures, 1 table, including references and appendix