研究人员推出FedUP，一个新颖的一次性联邦遗忘框架，旨在解决数据隐私和请求延迟之间的权衡。FedUP采用轻量级的、可插拔的过滤器，能够有效地筛选出目标数据，而无需大量的客户端-服务器通信或复杂的重新训练。通过在服务器端使用差分隐私的类质心样本训练这些过滤器，该框架将遗忘时间从几分钟显著缩短到几秒钟，同时保持了原始模型的性能。其可插拔的架构还允许轻松恢复被遗忘的知识，实验表明在各种任务中具有卓越的精度和效率。 AI
影响 该框架通过显著减少遗忘的时间和复杂性，有可能简化去中心化AI系统中对数据隐私法规的遵守。
排序理由 该集群包含一篇详细介绍新的联邦遗忘框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.24113v1 Announce Type: new Abstract: Federated unlearning (FU) is critical for complying with legal mandates like the right to be forgotten in decentralized systems, yet current methods face a persistent dilemma between non-target knowledge loss and high request latenc…
Federated unlearning (FU) is critical for complying with legal mandates like the right to be forgotten in decentralized systems, yet current methods face a persistent dilemma between non-target knowledge loss and high request latency. To resolve these issues, we propose FedUP, a …