联邦遗忘:如何高效擦除 FL 中的某个客户端?
机器学习
2023-10-24 v3 密码学与安全
摘要
随着隐私法规赋予用户被遗忘权,使模型能够遗忘部分训练数据变得至关重要。然而,机器学习语境下现有的遗忘方法由于学习协议差异以及多方参与者的存在,无法直接应用于联邦学习等分布式场景。本文针对通过从训练好的全局模型中移除某客户端的全部本地数据影响来实现擦除该客户端的问题。为擦除客户端,我们提出先在被擦除客户端处执行本地遗忘,然后将本地遗忘后的模型作为初始化,在服务器与剩余客户端间运行极少轮次的联邦学习,以获得遗忘后的全局模型。我们在三个数据集上采用多种性能指标对我们的遗忘方法进行了实证评估,结果表明我们的遗忘方法取得了与从零开始联邦重训练这一黄金标准遗忘方法相当的性能,同时显著高效。与已有工作不同,我们的遗忘方法既不要求全局访问用于训练的数据,也不要求服务器或任一客户端存储参数更新历史。
引用
@article{arxiv.2207.05521,
title = {Federated Unlearning: How to Efficiently Erase a Client in FL?},
author = {Anisa Halimi and Swanand Kadhe and Ambrish Rawat and Nathalie Baracaldo},
journal= {arXiv preprint arXiv:2207.05521},
year = {2023}
}