去中心化联邦学习中的认证不可忘
机器学习
2026-01-13 v1 机器学习
摘要
受「忘却权」(RTBF)的驱动，机器不可忘已成为隐私保护机器学习中essential的要求。然而，在去中心化联邦学习(DFL)中实现这一点仍 largely 未被探索。在DFL中，客户端仅与邻居交换本地更新，导致模型信息在网络中传播和混合。因此，当客户端请求数据删除时，其影响被隐式地嵌入整个系统中，在没有中心化协调的情况下删除该影响难度很大。我们提出了一种基于Newton式更新的去中心化联邦学习认证不可忘框架。我们的 метод方法首先量化了客户端数据影响在训练期间的传播。利用损失相对于目标数据曲率信息，我们 then 使用Newton式近似构建纠正更新。为确保可扩展性，我们通过Fisher信息矩阵近似二阶信息。 resulting updates 通过网络广播，以消除客户端之间残余影响。我们理论上证明了该方法满足认证不可忘的正式定义，确保不可忘模型难以被区分于without删除数据的再训练模型。我们 also 建立了实用性界限，表明不可忘模型接近从头重新训练。广泛的实验在多样化的去中心化环境中展示了该框架的有效性和效率。
引用
@article{arxiv.2601.06436,
title = {Certified Unlearning in Decentralized Federated Learning},
author = {Hengliang Wu and Youming Tao and Anhao Zhou and Shuzhen Chen and Falko Dressler and Dongxiao Yu},
journal= {arXiv preprint arXiv:2601.06436},
year = {2026}
}