基于权重感知回滚与重构的双相联邦深度深度取消学习
机器学习
2026-02-02 v2
摘要
联邦取消学习 (Federated Unlearning, FUL) 关注客户端数据和计算资源，提供一种隐私保护解决方案。然而，高计算需求、复杂的激励机制以及客户端计算资源的差异常导致耗时且成本更高。为应对这些挑战，许多现有方法依赖仅移除目标客户端更新的服务器端知识蒸馏，忽略了其他客户端贡献中潜在的隐私信息，可能导致隐私泄露。本文引入 DPUL，一种新的服务器端取消学习方法，通过深度取消学习所有受影响的权重来防止隐私漏洞。我们的方法包含三个组件：(i) 通过筛选客户端更新幅度来识别高权重参数并回滚以确保深层删除；(ii) 利用变分自编码器 (VAE) 重构并消除低权重参数；(iii) 使用投影技术恢复模型。在四个数据集上的实验结果表明，DPUL 超越了最先进的基线方法，在准确率上提升 1%~5%，时间成本降低最高可达 12 倍。
引用
@article{arxiv.2512.13381,
title = {Dual-Phase Federated Deep Unlearning via Weight-Aware Rollback and Reconstruction},
author = {Changjun Zhou and Jintao Zheng and Leyou Yang and Pengfei Wang},
journal= {arXiv preprint arXiv:2512.13381},
year = {2026}
}
备注
10 pages, 9 figures, accepted by IEEE INFOCOM 2026