Federated Unlearning: a Perspective of Stability and Fairness

要約

本稿では、データの異質性を伴う連合学習（Federated Unlearning：FU）の多面的な帰結を探求する。検証、大域的安定性、局所的公平性に焦点を当てたFU評価のための主要な指標を導入し、固有のトレードオフを調査する。さらに、最適化のフレームワークを通して、データの異質性を考慮した学習解除プロセスを定式化する。我々の重要な貢献は、FUにおけるトレードオフの包括的な理論分析にあり、データの不均一性がFUに与える影響についての洞察を提供する。これらの洞察を活用し、トレードオフを管理するFUメカニズムを提案し、FUメカニズムの更なる開発を導く。我々のFUメカニズムがトレードオフのバランスを効果的にとることを実証的に検証し、理論分析から得られた洞察を確認する。

要約(オリジナル)

This paper explores the multifaceted consequences of federated unlearning (FU) with data heterogeneity. We introduce key metrics for FU assessment, concentrating on verification, global stability, and local fairness, and investigate the inherent trade-offs. Furthermore, we formulate the unlearning process with data heterogeneity through an optimization framework. Our key contribution lies in a comprehensive theoretical analysis of the trade-offs in FU and provides insights into data heterogeneity’s impacts on FU. Leveraging these insights, we propose FU mechanisms to manage the trade-offs, guiding further development for FU mechanisms. We empirically validate that our FU mechanisms effectively balance trade-offs, confirming insights derived from our theoretical analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL