通过记忆视角重新思考联邦学习中的机器遗忘

联邦学习（FL）日益需要机器遗忘以遵循隐私法规。然而，现有的联邦遗忘方法可能忽视遗忘数据与剩余数据之间的重叠信息，导致遗忘效果不佳以及客户端之间不公平。本文通过记忆的视角重新审视联邦遗忘。我们认为，遗忘应主要去除归属于待遗忘数据的唯一记忆信息，同时保留由剩余数据也所支持的重叠模式。具体而言，我们提出了分组记忆评估（Grouped Memorization Evaluation），这是一种分离记忆知识与重叠知识的示例级指标。基于该指标，我们引入了联邦记忆修剪（FedMemPrune），这是一种基于修剪的遗忘方法，通过重置负责记忆的冗余参数来实现。大量实验表明，FedMemPrune在遗忘效果上与基于重新训练的遗忘基准相当，但在消除记忆方面更有效，实现了在不牺牲剩余知识效用的前提下，获得了强大的遗忘性能。