如何在联邦在线排序学习中遗忘客户端？

诸如欧盟《通用数据保护条例》(GDPR) 等数据保护立法确立了“被遗忘权”：用户（客户端）可以要求从已训练的模型中移除使用其数据所作出的贡献。本文研究如何移除参与联邦在线排序学习 (Federated Online Learning to Rank, FOLTR) 系统的客户端所作出的贡献。在 FOLTR 系统中，通过聚合对全局排序模型的局部更新来学习排序器。局部更新是在客户端级别利用查询及该特定客户端内发生的隐式交互以在线方式学习的。如此一来，每个客户端的局部数据不会与其他客户端或中心化搜索服务共享，同时客户端也能受益于从联邦中各客户端贡献学习到的有效全局排序模型。本文研究了一种有效且高效的机器遗忘方法，该方法能够在不损害整体排序器有效性的情况下移除客户端的贡献，且无需从头重新训练全局排序器。一个关键挑战是如何衡量模型是否已经遗忘了请求移除的客户端 $c^*$ 的贡献。为此，我们指示 $c^*$ 实施投毒攻击（向该客户端的更新中添加噪声），然后衡量当遗忘过程发生后攻击的影响是否减弱。通过在四个数据集上的实验，我们证明了该遗忘策略在不同参数设置组合下的有效性与高效性。