NoT：基于权重取反的联邦遗忘

联邦遗忘（FU）旨在从已训练的联邦学习（FL）模型中移除参与者的数据贡献，以确保隐私和合规性。传统的 FU 方法通常依赖于客户端或服务器端的辅助存储，或者需要直接访问被 targeted for removal 的数据——如果数据已不可用，这种依赖可能是不可行的。为了克服这些限制，我们提出了 NoT，一种基于权重取反（乘以 -1）的新型高效 FU 算法，它规避了对额外存储和目标数据访问的需求。我们认为，通过将模型参数扰动偏离最优参数集合，同时保持有利于快速重新优化的状态，可以实现有效且高效的遗忘。这种看似矛盾的技术在理论上有其依据：我们证明了权重取反扰动有效地破坏了层间协同适应，在诱导遗忘的同时保持了近似最优性属性，从而实现快速恢复。在三个数据集和三种模型架构上的实验结果表明，NoT 在遗忘有效性以及通信和计算效率方面均显著优于现有基线。