边缘网络中的联邦遗忘：基础、挑战、实际应用与未来方向综述
分布式、并行与集群计算
2026-01-16 v1
摘要
互联设备与隐私敏感应用的激增加速了联邦学习（Federated Learning, FL）的采用，这是一种无需共享原始数据即可实现协作模型训练的去中心化范式。虽然联邦学习解决了数据本地化和隐私问题，但它本身并不支持数据删除请求，而诸如“被遗忘权”（Right to be Forgotten, RTBF）等法规对此类请求的要求日益增加。在集中式学习中，这一挑战已在机器遗忘（Machine Unlearning, MU）的概念下得到研究，其重点是从已训练模型中高效移除特定数据样本或客户端的影响。将这一概念扩展到联邦环境催生了联邦遗忘（Federated Unlearning, FUL），这是一个新的研究领域，关注在分布式和异构环境中消除单个客户端或数据子集对全局联邦学习模型的贡献。在本综述中，我们首先介绍联邦遗忘的基础知识。然后，我们回顾了为解决三大实施挑战（即通信成本、资源分配以及安全与隐私）而提出的联邦遗忘框架。此外，我们讨论了联邦遗忘在现代分布式计算机网络中的应用，并指出了开放性挑战和未来研究方向。通过整合现有知识并梳理开放问题，本综述旨在为寻求推进联邦学习以构建可信、合规且以用户为中心的联邦系统的研究人员和实践者提供基础性参考。
引用
@article{arxiv.2601.09978,
title = {Federated Unlearning in Edge Networks: A Survey of Fundamentals, Challenges, Practical Applications and Future Directions},
author = {Jer Shyuan Ng and Wathsara Daluwatta and Shehan Edirimannage and Charitha Elvitigala and Asitha Kottahachchi Kankanamge Don and Ibrahim Khalil and Heng Zhang and Dusit Niyato},
journal= {arXiv preprint arXiv:2601.09978},
year = {2026}
}