在学习中遗忘：一种高效的联邦机器遗忘方法
机器学习
2025-03-28 v2 分布式、并行与集群计算
摘要
近年来，联邦学习（FL）作为一种分布式机器学习范式引起了广泛关注。为了促进被遗忘权的实施，联邦机器遗忘（FMU）的概念也应运而生。然而，当前的FMU方法通常涉及额外耗时的步骤，并且可能无法提供全面的遗忘能力，这使得它们在实际FL场景中不太实用。在本文中，我们介绍了FedAU，一个创新且高效的FMU框架，旨在克服这些限制。具体来说，FedAU在学习过程中融入了一个轻量级的辅助遗忘模块，并采用简单的线性操作来促进遗忘。这种方法消除了额外耗时步骤的需求，使其非常适合FL。此外，FedAU表现出卓越的通用性。它不仅允许多个客户端同时执行遗忘任务，还支持不同粒度的遗忘，包括单个数据样本、特定类别，甚至客户端级别。我们在MNIST、CIFAR10和CIFAR100数据集上进行了大量实验来评估FedAU的性能。结果表明，FedAU在保持模型准确性的同时，有效地实现了所需的遗忘效果。我们的代码可在https://github.com/Liar-Mask/FedAU获取。
引用
@article{arxiv.2405.15474,
title = {Unlearning during Learning: An Efficient Federated Machine Unlearning Method},
author = {Hanlin Gu and Gongxi Zhu and Jie Zhang and Xinyuan Zhao and Yuxing Han and Lixin Fan and Qiang Yang},
journal= {arXiv preprint arXiv:2405.15474},
year = {2025}
}
备注
Accepted by IJCAI 2024