无限遗忘（SoUL）：通过选择性剪枝重构联邦机器遗忘
机器学习
2025-04-03 v1 人工智能
多智能体系统
摘要
物联网无人机（IoD）使得无人机在数据收集与分析方面进行协作，已成为监控和环境监测等应用的关键组成部分。联邦学习（FL）使无人机能够在不集中数据的前提下训练机器学习模型，同时保持数据隐私。然而，IoD网络中的FL易受到数据投毒和模型逆向等攻击。联邦遗忘（FU）通过消除恶意数据贡献来缓解这些风险，防止其对模型产生影响。本文提出了无限遗忘（SoUL），一种高效消除遗忘数据影响、同时保持模型性能的联邦遗忘框架。设计了一种选择性剪枝算法，用于识别并移除在遗忘中具有影响力的神经元，但对整体模型性能影响最小。仿真结果表明，SoUL在已有遗忘方法之外，实现了与完全再训练相当的准确率，并显著降低了计算和通信开销，使其在资源受限的IoD网络中具有可扩展且高效的解决方案。
引用
@article{arxiv.2504.01705,
title = {Sky of Unlearning (SoUL): Rewiring Federated Machine Unlearning via Selective Pruning},
author = {Md Mahabub Uz Zaman and Xiang Sun and Jingjing Yao},
journal= {arXiv preprint arXiv:2504.01705},
year = {2025}
}
备注
6 pages, 6 figures, IEEE International Conference on Communications (ICC 2025)