图型联邦遗忘：用于隐私保护
机器学习
2026-05-05 v1
摘要
图型联邦学习（GFL）促进了分布式图数据上的去中心化训练，同时将敏感用户信息保留在本地，这与GDPR和CCPA等政策相一致，这些政策赋予用户自由加入或退出学习系统的权利。然而，尽管是去中心化，用户信息在退出后仍可能持久化，potentially 传播到中央服务器，然后重新分发给恶意客户端。在用户退出期间的隐私泄露尽管重要，但在GFL中却鲜有关注。为了填补这一空白，我们探索了机器遗忘（MU）的潜力，以彻底移除用户信息。然而，经典的MU方法已知会降低整体性能，在GFL中由于本地消息传递和全局模型协作，这一问题被加剧。为此，我们对GFL进行了两项调整以缓解这一挑战。首先，我们确保遗忘更新对整体性能影响最小，通过将其引导到与其他数据梯度正交的方向。其次，我们引入虚拟客户端，由中央服务器维护，以保留图拓扑和全局嵌入，而无需恢复已删除实体的信息。我们在代表性的用户退出场景下进行了全面的实验，并提出了一个新颖的成员推断框架，以严格评估和验证我们的隐私保护可靠性。实验结果表明，我们的方法有效，而且还优于七种最先进的基线方法。
引用
@article{arxiv.2605.02297,
title = {Graph Federated Unlearning for Privacy Preservation},
author = {Ruotong Ma and Wentao Yu and Qizhou Wang and Jie Yang and Chen Gong},
journal= {arXiv preprint arXiv:2605.02297},
year = {2026}
}