PrivEraserVerify：高效、私有且可验证的联邦式遗忘
机器学习
2026-04-15 v1
摘要
联邦学习（FL）通过不共享原始数据实现协作模型训练，为隐私保护的人工智能提供了可行路径。然而，FL 模型可能仍记忆参与者的敏感信息，这与被遗忘权（RTBF）相冲突。为满足这些要求，联邦遗忘已成为一种机制，用于移除离职客户的贡献。现有解决方案仅部分解决了这一挑战：FedEraser 在效率方面表现良好，但缺乏隐私保护；FedRecovery 确保差分隐私（DP）但降低了准确度；VeriFi 实现可验证性但在效率和隐私保证方面引入了开销。我们提出了 PrivEraserVerify（PEV），一个将效率、隐私和可验证性集成于联邦遗忘的统一框架。PEV 采用 (i) 自适应检查点保留关键历史更新以实现快速重建，(ii) 基于图层的差分隐私校准以选择性移除客户影响同时最小化准确度损失，以及 (iii) 基于指纹的验证，使参与者能够在去中心化且非侵入性的方式确认遗忘。在图像、手写字符和医疗数据集上的实验表明，PEV 在遗忘速度上比重新训练快高达 2 至 3 倍，提供正式的不可区分性保障并显著降低性能损失，支持可扩展的验证。据我们所知，PEV 是首个同时实现联邦遗忘效率、隐私和可验证性的框架，使 FL 接近实用且符合监管要求的部署。
引用
@article{arxiv.2604.12348,
title = {PrivEraserVerify: Efficient, Private, and Verifiable Federated Unlearning},
author = {Parthaw Goswami and Md Khairul Islam and Ashfak Yeafi},
journal= {arXiv preprint arXiv:2604.12348},
year = {2026}
}