FedCARE：基于冲突感知投影和不可逆恢复的联邦数据遗忘

联邦学习（FL）通过无需集中化原始数据即可实现协作模型训练，但隐私法规（如“被遗忘权”）要求在请求时移除先前使用的训练数据的影响。从头重新训练联邦模型代价高昂，这催生了联邦数据遗忘（FU）。然而，现有FU方法 suffer from 高 unlearning 开销、因知识纠缠导致的效用降低，以及在 post-unlearning recovery 期间的意外重新学习。本文提出FedCARE，一个统一且低开销的FU框架，实现冲突感知遗忘和不可逆恢复。FedCARE利用梯度上升高效遗忘目标数据 locally 可得时的数据，并采用数据自由模型反演构建共享知识的类别级代理。基于这些洞见，FedCARE集成伪样本生成器、冲突感知投影梯度上升以实现效用保留遗忘，以及抑制回滚至遗忘前模型的恢复策略。FedCARE支持 client、instance 和 class 级别的遗忘，开销适中。在多个数据集和模型架构下的 IID 和 non-IID 设置的广泛实验中，FedCARE在有效遗忘、改进的效用保留和减少重新学习风险方面均优于最先进的FU基线。