Federated Unlearning
PulseAugur coverage of Federated Unlearning — every cluster mentioning Federated Unlearning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新基准测试‘Lethe’用于医学影像联邦学习遗忘
研究人员推出了 Lethe，这是一个旨在评估联邦学习遗忘方法在医学影像应用中表现的新基准测试。现有的遗忘技术主要在自然图像上进行测试，可能无法有效迁移到临床数据的独特特征上。Lethe 在八个任务家族中评估了十二种不同的方法，包括分类、分割和视觉-语言问答，并具有不同程度的遗忘粒度。基准测试结果表明，遗忘请求的难度，而不是方法本身，是主要区分因素，只有困难的删除才能显著区分方法的性能。
-
FedUP框架提供一次性联邦遗忘，降低延迟
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。
-
新框架支持医学影像模型异步联邦遗忘
研究人员推出了一种名为“不变性校准的异步联邦遗忘”（AFU-IC）的新框架，专为医学影像应用设计。该方法解决了现有联邦遗忘技术在同步协调延迟和数据影响临时擦除方面的局限性。AFU-IC 允许客户端异步遗忘数据，而无需中断全局训练，同时服务器端的校准机制可防止重新学习。实验表明，AFU-IC 在遗忘效果和模型保真度方面可与重新训练相媲美，同时显著降低了延迟。