基于区块链的可信任联合遗忘
内容提要
联邦遗忘旨在让联邦学习模型选择性消除特定客户端或数据的影响，同时保护隐私。研究提出多种框架：基于增量学习与弹性权重约束的方法、通过减去历史累积更新并蒸馏恢复性能的方法、满足通信效率与可证明性的FATS框架，以及分散隔离编码框架。综述梳理了算法、指标与挑战，并探讨区块链安全共享。
延伸解读
联邦遗忘的核心挑战
联邦学习不共享原始数据，客户端共同训练全局模型，这使得选择性遗忘特定信息比集中式机器学习遗忘更复杂。文章指出，联邦遗忘的主要挑战在于联邦学习的分散化和隐私保护特性，导致难以直接定位和消除特定客户端或数据的影响。
主要技术路线对比
文章梳理了多种联邦遗忘框架：基于增量学习与弹性权重约束的方法、通过减去历史累积更新并蒸馏恢复性能的方法、满足通信效率与可证明性的FATS框架，以及基于分散隔离和编码计算的可扩展框架。这些方法在是否依赖客户端参与、对神经网络类型的限制以及遗忘效果评估上各有不同。
评估指标与实验验证
不同研究采用了多样化的评估指标，包括准确性、通信成本、计算成本、重训练时间、存储开销以及抵抗成员攻击的F1分数。例如，FATS在6个基准数据集上验证了其优越性，而分散隔离编码框架在两个典型学习任务上优于三种最先进框架。这些指标反映了联邦遗忘在效率与隐私保护之间的权衡。
区块链与未来方向
文章探讨了基于区块链的联邦学习安全数据共享平台，并回顾了去中心化联邦学习框架，该框架能防止恶意客户端破坏学习过程并提供自我激励。然而，结论指出该领域仍有许多值得探究的问题，如可扩展性、安全性和实际部署中的挑战，这些是未来研究的重要方向。
Q&A
联邦遗忘是什么？它和机器遗忘有什么区别？
联邦遗忘（FU）旨在让联邦学习模型选择性消除特定客户端或数据的影响，同时保护隐私。与机器遗忘相比，FU的主要挑战在于联邦学习的分散化和保护隐私的特性，客户端共同训练全局模型而不共享原始数据，使得有选择地遗忘特定信息更加复杂。
联邦遗忘有哪些主要的技术框架？
文章提到了多种框架：基于增量学习与弹性权重约束的方法；通过减去历史累积更新并蒸馏恢复性能的方法；满足通信效率与可证明性的FATS框架；以及基于分散隔离和编码计算的可扩展框架。
FATS框架是如何实现联邦遗忘的？
FATS是一种总变差稳定的联邦学习算法，修改了经典的FedAvg算法以降低轮次通信。它利用模型参数对数据集轻微变化的变动程度（总变差稳定性）来实现快速联邦去学习，并设计了客户级和样本级的去学习算法，提供理论保证，在6个基准数据集上验证了优越性。
联邦遗忘面临哪些主要挑战？
主要挑战包括联邦学习的分散化和保护隐私的特性，客户端共同训练全局模型而不共享原始数据，使得有选择地遗忘特定信息更加复杂。此外，还需要满足通信效率和遗忘可证明性等条件。
区块链在联邦遗忘中有什么作用？
文章提到基于区块链技术进行联邦学习的安全数据共享平台，以及基于区块链的去中心化联邦学习框架，能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化。
联邦遗忘有哪些评价指标？
文章提到评价指标包括准确性、通信成本、计算成本、去学习效果、重训练时间、存储开销和抵抗成员攻击的F1分数等。
