新的联邦持续遗忘方法可实现对AI模型的精确数据移除

研究人员开发了一种新颖的联邦持续遗忘方法，该方法专门针对具有冻结基础模型和可训练脊回归头部的模型。这种方法允许按需精确移除模型中特定数据的 the influence，解决了联邦学习设置中的“被遗忘权”要求。该方法利用一种通信协议，通过固定大小的消息有效地更新模型头部，确保服务器的模型始终与集中式再训练相同，即使有连续的添加和删除请求。在四个基准上的实验表明，该技术实现了近乎完美的准确性，以最小的 Frobenius 误差匹配集中式再训练，同时与传统的联邦再训练相比显著降低了计算成本。 AI

影响 在联邦学习中实现精确数据移除，增强了AI模型的隐私合规性。

排序理由 关于联邦持续遗忘新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• DagsHub
• Federated Continual Unlearning
• foundation model
• Frobenius Error
• Hugging Face
• Kullback–Leibler divergence
• Tikhonov regularization
• Yijun Quan

• 论文
• 模型发布
• 安全

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