通过转换实现遗忘：基于类的联邦无学习方法
机器学习
2024-10-10 v1
摘要
联邦无学习（FU）使客户端能够选择性地移除特定数据对训练联邦学习模型的影响，解决了隐私 concerns and regulatory requirements。然而，现有的FU方法往往难以在非独立同分布（IID）设置下平衡有效擦除和模型实用性保留，尤其是在进行类的无学习时。我们提出一种通过类感知表示转换实现的联邦无学习（FUCRT），这是一种新方法，通过类感知表示转换来实现无学习。FUCRT采用两个关键组件：（1）一种转换类选择策略来识别最佳遗忘方向，以及（2）使用双类感知对比学习的转换对齐技术，以确保跨客户端的一致转换。在四个数据集上的大量实验表明，FUCRT在擦除保证、模型实用性保留和效率方面均表现出色。FUCRT在遗忘类的完全（100%）擦除同时保持或提高对剩余类的性能方面优于最先进的基线方法，无论是IID还是非IID设置。在表示空间的分析中发现，FUCRT能够有效地将遗忘类的表示与剩余类中的转换类表示合并， closely 模拟从头重新训练的模型。
引用
@article{arxiv.2410.06848,
title = {Forgetting Through Transforming: Enabling Federated Unlearning via Class-Aware Representation Transformation},
author = {Qi Guo and Zhen Tian and Minghao Yao and Yong Qi and Saiyu Qi and Yun Li and Jin Song Dong},
journal= {arXiv preprint arXiv:2410.06848},
year = {2024}
}