联邦遗忘：稳定性与公平性的视角
人工智能
2024-06-04 v4
摘要
本文探讨了在数据异质性条件下联邦遗忘 (FU) 的多方面后果。我们引入了用于评估 FU 的关键指标，重点关注验证、全局稳定性和局部公平性，并研究了其中固有的权衡。此外，我们通过一个优化框架对具有数据异质性的遗忘过程进行了形式化建模。我们的核心贡献在于对 FU 中的权衡进行了全面的理论分析，并深入揭示了数据异质性对 FU 的影响。利用这些见解，我们提出了管理这些权衡的 FU 机制，为 FU 机制的进一步发展提供指导。我们通过实验验证了所提出的 FU 机制能够有效平衡这些权衡，证实了从理论分析中得出的见解。
引用
@article{arxiv.2402.01276,
title = {Federated Unlearning: a Perspective of Stability and Fairness},
author = {Jiaqi Shao and Tao Lin and Xuanyu Cao and Bing Luo},
journal= {arXiv preprint arXiv:2402.01276},
year = {2024}
}