BLUE``-CSDN博客

原创论文阅读-Federated-Unlearning-With-Momentum-Degradation

MoDe能有效消除预训练模型中目标数据点的贡献，而记忆引导在MoDe之后恢复了模型的性能，因此。MoDe概述：客户端Client N发出撤销请求，利用同构且随机初始化的退化模型(unlearning框中的蓝色菱形)分别在MoDe和记忆引导阶段对目标模型(图中橙色菱形)进行降级和引导。联邦忘却学习可以通过撤销那些被污染的数据，为系统提供抵御数据中毒的方法，从而提供FL训练的安全性。对10个客户进行FL训练，并应用所提出的MoDe来消除数据集中类别索引"0"的所有样本的贡献。发送给目标客户端ci。

2024-04-17 10:40:32 1325

原创论文阅读-federated unlearning via class-discriminative pruning

联邦忘却学习

2024-03-14 21:05:47 1026

原创论文阅读--横向联邦学习

联邦学习

2024-03-07 21:59:59 484 2

原创论文阅读---联邦忘却学习研究综述

面向全局模型的忘却算法直接对全局模型参数进行修改并利用用户数据调整全局模型，而面向局部模型的算法则利用用户训练的局部模型参数对全局模型参数进行间接修改。un}共同训练机器学习模型，得到模型最优参数，其中每个用户持有训练数据。面向局部模型的联邦忘却学习算法通过对用户上传的局部模型参数或用户本地训练的梯度进行修改，利用模型聚合修改全局模型参数，从而实现联邦忘却学习。训练更新校正算法在现有模型的基础上增加额外的联邦学习训练，对训练过程中产生的模型参数进行修正，并通过聚合修正后的模型修改全局模型的参数。

2024-03-07 21:42:04 1362 1