超越“忘却之权”：通过战略激励管理异质性副作用
计算机科学与博弈论
2025-07-29 v3 人工智能
摘要
联邦遗忘（FU）使特定客户端的数据影响能够从训练模型中移除。然而，在非独立同分布（non-IID）设置下，移除客户端会产生关键副作用：与之数据分布相似的剩余客户端遭受不成比例的性能损失，而全局模型的稳定性也恶化。这些脆弱客户端随后因留存激励不足而减少加入联邦的意愿，可能引发一连串的退出，进一步 destabilize 系统。为此，我们构建了一个量化数据异质性如何影响遗忘结果的理论框架。基于这些洞见，我们将 FU 模型为一个斯塔克尔堡博弈，其中服务器基于其对遗忘效果和系统稳定性的贡献，为保留关键客户端提供支付。我们的严格平衡分析揭示了数据异质性如何根本性地塑造系统总体目标与客户兴趣之间的权衡。我们的做法使全局稳定性提升最高可达 6.23%，最坏情况下的客户性能损失降低 10.05%，在完全重新训练的情况下实现最高 38.6% 的运行时效率。
引用
@article{arxiv.2410.15045,
title = {Beyond Right to be Forgotten: Managing Heterogeneity Side Effects Through Strategic Incentives},
author = {Jiaqi Shao and Tao Lin and Xiaojin Zhang and Qiang Yang and Bing Luo},
journal= {arXiv preprint arXiv:2410.15045},
year = {2025}
}