$f$-FUM：基于 min--max 与 $f$-divergence 的联邦遗忘
机器学习
2026-02-09 v1
摘要
联邦学习（FL）已成为跨去中心化数据源进行协作机器学习的强大范式，通过保持数据本地化来保护隐私。然而，日益增长的法律和伦理需求（如“被遗忘权”），以及缓解数据投毒攻击的需要，凸显了联邦设置中原则性数据遗忘的紧迫必要性。不同于集中式环境，联邦学习的分布式特性 complicate 了单个数据贡献的移除。在本文中，我们提出了一种新的联邦遗忘框架，其形式为 min-max 优化问题：目标是最大化在包含所有数据训练的模型与不包含特定数据点的模型之间 -divergence，同时最小化对保留数据的性能下降。我们的框架可作为插件集成到几乎任何联邦设置中，不同于需要服务器模型性能下降的 SOTA 方法[10269017]，或需要涉及模型架构和模型权重的[10269017]。这种表述允许在联邦设置中高效近似数据移除效果。我们提供了实证评估，表明该方法在速度上显著优于朴素重训练，同时对实用性几乎没有影响。
引用
@article{arxiv.2602.06187,
title = {$f$-FUM: Federated Unlearning via min--max and $f$-divergence},
author = {Radmehr Karimian and Amirhossein Bagheri and Meghdad Kurmanji and Nicholas D. Lane and Gholamali Aminian},
journal= {arXiv preprint arXiv:2602.06187},
year = {2026}
}
备注
16 pages, 1 figure