Vit Lite

新方法可从联邦学习模型中高效移除客户端数据

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。