federated unlearning | BriefGPT

关键词federated unlearning

搜索结果 - 11

Ferrari: 通过优化特征敏感性进行联合特征遗忘
Ferrari 是一种有效的联邦特征遗忘框架，通过最小化特征敏感性，在各种特征遗忘场景中展现了其有效性。
PDFa month ago
SoK：联邦反学习的挑战与机遇
这篇论文从事一项关于联邦消除学习（federated unlearning）的研究，通过对已发表的联邦学习消除（FL unlearning）相关论文的分类和分析，探讨了联邦学习消除领域的研究趋势和挑战，比较了现有联邦学习消除方法的影响消除和
PDF4 months ago
联邦去学习：稳定性和公平性视角
本文研究了数据异质性下联邦去学习（FU）的多方面影响。我们引入了 FU 评估的关键指标，集中在验证、全局稳定性和局部公平性，并研究其内在的权衡。此外，我们通过优化框架对数据异质性下的去学习过程进行了形式化。我们的主要贡献在于对 FU 中的权
PDF5 months ago
基于区块链的可信任联合遗忘
提出了一种基于区块链的可信联邦取消学习框架，通过验证数据删除和消除其他客户端模型中存储的数据贡献，实现更好的数据删除效果，从而解决了现有工作中需要中央服务器保留分布式客户端的历史模型参数的问题。
PDF5 months ago
可扩展的孤立与编码分片联邦去学习
提出了一种基于分散隔离和编码计算的可扩展联邦遗忘框架，通过将分布式客户端分为多个隔离片段以减少受影响的客户端数量，并通过压缩不同片段之间的模型参数来减少中央服务器的存储开销，最后，在两个典型的学习任务上进行了广泛实验，表明我们的框架在准确性
PDF5 months ago
通信高效且可证明的联邦反学习
研究联邦去学习问题，解决个别客户或数据对通过联邦学习得到的全局模型的影响，推导出所删除数据的无合差异性模型。引入了一种新的完全联邦去学习框架，满足通信效率和完全去学习可证明性的两个基本条件。通过定义确切的联邦去学习，保证无学习之后的模型与未
PDF5 months ago
联邦取消学习：方法、设计指导和评估指标综述
本研究调查了联邦学习中取消学习的背景概念、经验证据和实际指南，提出了一种新的分类法对最先进的取消学习算法进行详细分析，并确定了该领域最有前景的研究方向和尚未解决的技术挑战。
PDF6 months ago
QuickDrop: 集成数据集蒸馏的高效联邦去学习
Federated Unlearning (FU) 通过 QuickDrop 方法，利用 dataset distillation (DD) 在 Federated Learning (FL) 模型中删除特定的训练数据，从而显著降低计算开销
PDF7 months ago
联邦反学习综述：分类、挑战与未来方向
随着可信任的联邦学习（FL）的发展，实施被遗忘权引起了联邦遗忘（FU）领域，与机器遗忘相比，FU 的主要挑战在于 FL 的分散化和保护隐私的特性，其中客户端共同训练全局模型而不共享原始数据，使得有选择地遗忘特定信息变得更加复杂。针对此问题，
PDF8 months ago
主动遗忘的联邦取消学习
基于增量学习、主动遗忘和弹性权重约束的新型联邦遗忘框架，有效解决联邦学习中的遗忘问题。
PDFa year ago
使用知识蒸馏进行联邦遗忘
在联邦学习中，提出了一种新颖的联邦遗忘方法，通过从模型中减去历史累积更新来消除客户端的贡献，并利用知识蒸馏方法恢复模型的性能，而不使用来自客户端的任何数据。该方法不依赖于客户端的参与，不对神经网络的类型有任何限制，并引入后门攻击来评估遗忘效
PDF2 years ago