随时遗忘任意数据：一种面向纵向联邦学习的理论认证遗忘框架
机器学习
2025-02-25 v1 人工智能
摘要
GDPR 等法规强化了机器学习中的隐私担忧，这些法规强制执行“被遗忘权”（RTBF），推动了机器遗忘作为一个关键研究领域的出现。纵向联邦学习（VFL）通过在分布式参与方之间聚合样本特征，同时保护每个源的数据隐私，实现了协作模型训练。该范式在医疗、金融和其他隐私敏感领域得到了广泛应用。然而，现有的 VFL 系统缺乏符合 RTBF 要求的稳健机制，因为 VFL 的遗忘方法仍待深入探索。在这项工作中，我们引入了第一个具有理论保证遗忘能力的 VFL 框架，能够随时移除任意数据。与先前的方法（对用于移除的模型架构或数据类型施加限制性假设）不同，我们的解决方案与模型和数据无关，提供普遍的兼容性。此外，我们的框架支持异步遗忘，消除了在遗忘过程中所有参与方必须同时在线的需要。这些进展解决了当前 VFL 系统中的关键空白，在保持操作灵活性的同时确保符合 RTBF。我们在 https://github.com/wangln19/vertical-federated-unlearning 公开了我们的所有实现。
引用
@article{arxiv.2502.17081,
title = {Forgetting Any Data at Any Time: A Theoretically Certified Unlearning Framework for Vertical Federated Learning},
author = {Linian Wang and Leye Wang},
journal= {arXiv preprint arXiv:2502.17081},
year = {2025}
}
备注
18 pages