A Survey of Federated Unlearning: A Taxonomy, Challenges and Future Directions

要約

信頼できる Federated Learning (FL) の発展に伴い、忘れられる権利を実装するという要件により、Federated Unlearning (FU) の領域が生まれました。
機械のアンラーニングと比較すると、FU の大きな課題は、FL の分散型でプライバシー保護の性質にあります。FL では、クライアントが生データを共有せずにグローバル モデルを共同でトレーニングするため、特定の情報を選択的にアンラーニングすることが大幅に複雑になります。
この点において、FU の課題に取り組むために多くの努力が払われ、大きな進歩を遂げてきました。
この論文では、FU の包括的な調査を紹介します。
特に、既存のアルゴリズム、目標、評価指標を提供し、FU のいくつかの課題を特定します。
いくつかの研究をレビューおよび比較することで、さまざまなスキーム、潜在的なアプリケーション、将来の方向性についての分類にまとめます。

要約(オリジナル)

With the development of trustworthy Federated Learning (FL), the requirement of implementing right to be forgotten gives rise to the area of Federated Unlearning (FU). Comparing to machine unlearning, a major challenge of FU lies in the decentralized and privacy-preserving nature of FL, in which clients jointly train a global model without sharing their raw data, making it substantially more intricate to selectively unlearn specific information. In that regard, many efforts have been made to tackle the challenges of FU and have achieved significant progress. In this paper, we present a comprehensive survey of FU. Specially, we provide the existing algorithms, objectives, evaluation metrics, and identify some challenges of FU. By reviewing and comparing some studies, we summarize them into a taxonomy for various schemes, potential applications and future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google