English(EN) Not All Retained Clients Are Equal: Client Selection for Federated Unlearning

联邦遗忘框架优先考虑客户影响力以提高效率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了 PDF，一个新颖的联邦遗忘框架，可以有效地从训练模型中移除特定客户的影响。与将遗忘视为事后操作的先前方法不同，PDF 考虑了客户贡献的路径依赖性，尤其是在关键学习期间。通过维护客户更新的轻量级历史记录，PDF 识别并对最有信息量的保留客户进行遗忘排名，从而显著减少所需的客户数量和计算资源。实验表明，PDF 在有效遗忘和保持强大模型效用方面，所需的客户数量大大减少，在准确性和效率方面优于现有基线。 AI

影响引入了一种更有效的模型遗忘方法，有可能降低联邦学习系统的计算成本并提高隐私性。

排序理由关于联邦遗忘新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于联邦遗忘新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Thanh Linh Nguyen, Quoc-Viet Pham · 2026-10-27 04:00

并非所有留存客户都同等重要：联邦遗忘中的客户选择

arXiv:2610.31786v1 Announce Type: new Abstract: Federated unlearning (FU) aims to remove a designated target client's influence from a trained model without the prohibitive cost of retraining from scratch. Existing methods largely treat unlearning as a post-hoc, stateless operati…

本文如何被排名

报道来源 [1]

并非所有留存客户都同等重要：联邦遗忘中的客户选择

相关实体

相关话题