基于表象误导的垂直联邦学习无知方法
人工智能
2025-12-12 v1
摘要
数据保护法规如 GDPR 赋予联邦系统中的每个参与者忘却权利。因此，联邦无知（federated unlearning）已成为研究前沿，旨在在保持剩余参与者实用性的前提下，删除特定方的贡献。然而，大多数无知技术侧重于水平联邦学习（Horizontal Federated Learning, HFL），即数据按样本划分。相比之下，垂直联邦学习（Vertical Federated Learning, VFL）允许拥有互补特征空间的组织在不共享原始数据的情况下训练联合模型。由此产生的特征分区架构使得 HFL 导向的无知方法失效。本文我们提出 REMISVFU，一种即插即用表象误导框架，使 splitVFL 系统中的快速、客户端级无知成为可能。当收到删除请求时，忘却方将其编码器输出折叠到单位球面上随机抽取的锚点上，切断其特征与全局模型之间的统计关联。为维持剩余参与者的实用性，服务器联合优化保留损失和忘却损失，通过正交投影对齐梯度以消除相互破坏。公开基准测试表明，REMISVFU 将后门攻击成功率压制至自然类别先验水平，仅牺牲约 2.5% 的干净准确率，超越最先进的基线方法。
引用
@article{arxiv.2512.10348,
title = {REMISVFU: Vertical Federated Unlearning via Representation Misdirection for Intermediate Output Feature},
author = {Wenhan Wu and Zhili He and Huanghuang Liang and Yili Gong and Jiawei Jiang and Chuang Hu and Dazhao Cheng},
journal= {arXiv preprint arXiv:2512.10348},
year = {2025}
}
备注
The 40th Annual AAAI Conference on Artificial Intelligence