联邦学习中的被遗忘权：一种基于快速重训练的高效实现
密码学与安全
2022-07-01 v1 机器学习
摘要
在机器学习中，被遗忘权的出现催生了名为机器遗忘的范式，它使数据持有者能够主动从其训练模型中擦除数据。现有机器遗忘技术聚焦于集中式训练，服务器必须能访问所有持有者的训练数据才能执行遗忘过程。当无法完全访问所有训练数据时如何实现遗忘，在很大程度上仍未被探索。一个值得注意的例子是联邦学习（FL），其中每个参与的数据持有者在本地训练，不向中心服务器共享其训练数据。本文研究FL系统中的机器遗忘问题。我们从FL中遗忘问题的形式化定义出发，提出一种快速重训练方法，以从训练好的FL模型中完全擦除数据样本。所得设计允许数据持有者在本地保留训练数据的同时高效协同执行遗忘过程。我们的形式化收敛与复杂度分析表明，该设计能以高效率保持模型效用。在四个真实世界数据集上的广泛评估说明了我们所提实现的有效性与性能。
引用
@article{arxiv.2203.07320,
title = {The Right to be Forgotten in Federated Learning: An Efficient Realization with Rapid Retraining},
author = {Yi Liu and Lei Xu and Xingliang Yuan and Cong Wang and Bo Li},
journal= {arXiv preprint arXiv:2203.07320},
year = {2022}
}
备注
INFOCOM 2022