面向高数据异构性的联邦学习知识快速移除
机器学习
2025-10-16 v1
摘要
当代大量便携式设备具备大数据收集能力和相当的计算能力，这为以分布式方式训练 AI 模型提供了可能，同时保持参与客户端的隐私。然而，由于隐私法规和安全要求，客户对模型贡献的删除已成为必需。清洗过程必须满足特定的有效性和时间要求。近年来，研究人员开发了多种知识移除方法，但这些方法需要在数据持有者和过程协调器之间进行多个通信轮次。这可能导致在移除过程完成之前无法提供有效模型，从而对系统用户造成损害。本文引入一种创新解决方案，基于任务算术和神经切向核，快速从模型中移除客户的影响。
引用
@article{arxiv.2510.13606,
title = {Towards Robust Knowledge Removal in Federated Learning with High Data Heterogeneity},
author = {Riccardo Santi and Riccardo Salami and Simone Calderara},
journal= {arXiv preprint arXiv:2510.13606},
year = {2025}
}