基于扩散模型的联邦知识图谱遗忘学习

联邦学习（FL）通过实现模型共享与协作，同时保护数据隐私，促进了人工智能技术的发展与应用。知识图谱（KG）嵌入表示通过将实体和关系映射到向量空间，为知识推理和应用提供了基础。联邦知识图谱嵌入能够在保护本地数据隐私的同时，利用来自多样化客户端来源的知识。然而，由于隐私保护以及适应动态数据变化等需求，引发了对机器遗忘学习（MU）的研究。但是，在遗忘特定数据对模型影响的同时，保持知识图谱嵌入模型的性能是具有挑战性的。在本文中，我们提出了 FedDM，一个专为联邦知识图谱中的机器遗忘学习定制的新型框架。利用扩散模型，我们生成噪声数据，以合理地减轻特定知识对联邦学习模型的影响，同时保持模型在其余数据上的整体性能。我们在基准数据集上进行了实验评估，以检验所提出模型的有效性。大量实验表明，FedDM 在知识遗忘方面取得了令人鼓舞的结果。