EFU：通过函数加密强制实现联邦遗忘
密码学与安全
2025-08-12 v1 分布式、并行与集群计算
机器学习
摘要
联邦遗忘(FU)算法使联邦设置中的客户端能够行使其"被遗忘权",从协同训练的模型中移除其数据的影响。现有的 FU 方法通过在客户端本地执行遗忘并向服务器发送定向更新来维持数据隐私,无需暴露被遗忘的数据;然而它们往往依赖服务器端配合,在没有强制保证的情况下暴露了客户端的意图与身份,从而损害了自主性与遗忘隐私。在本文中,我们提出 EFU(Enforced Federated Unlearning,强制联邦遗忘),一种通过密码学强制实现的 FU 框架,使客户端能够在对服务器隐藏遗忘行为发生的前提下发起遗忘。具体而言,EFU 利用函数加密将加密更新绑定到特定的聚合函数,确保服务器既无法执行未授权计算,也无法检测或跳过遗忘请求。为进一步掩盖聚合模型中的行为与参数偏移,我们引入了基于对抗样本和参数重要性正则化的辅助遗忘损失。大量实验表明,EFU 在被遗忘数据上达到接近随机的准确率,同时在多个数据集与神经网络架构上保持与完全重训练相当的性能——并且全程对服务器隐藏遗忘意图。此外,我们证明 EFU 与底层遗忘算法无关,能够为任何发出定向更新的客户端 FU 机制提供安全的、隐藏函数的且可验证的遗忘。
引用
@article{arxiv.2508.07873,
title = {EFU: Enforcing Federated Unlearning via Functional Encryption},
author = {Samaneh Mohammadi and Vasileios Tsouvalas and Iraklis Symeonidis and Ali Balador and Tanir Ozcelebi and Francesco Flammini and Nirvana Meratnia},
journal= {arXiv preprint arXiv:2508.07873},
year = {2025}
}