研究人员开发了一种名为 HF-KCU 的新方法，可以有效地从联邦学习模型中移除客户端的数据贡献，解决了重新训练的计算负担。该方法使用 Krylov 子空间迭代来近似影响函数，显著降低了复杂性并加快了过程。因果加权机制确保只有受数据删除影响的客户端才会被更新，从而在保持模型质量的同时增强隐私恢复，成员推断攻击的成功率与重新训练的模型相匹配证明了这一点。 AI
影响 使联邦学习系统中的数据删除更高效、更注重隐私。
排序理由 该集群包含一篇详细介绍特定机器学习任务新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →