連合学習におけるデータ削除の証明

この論文は、垂直型連合学習（VFL）におけるデータプライバシーと「忘れられる権利」という重要な問題に取り組んでいます。分散環境で、特定のデータポイントまたはラベルの影響を、訓練されたモデルから効率的かつ効果的に除去するための新しいアルゴリズム、FedORAを提案しています。データが異なる当事者間で分散されているVFLに焦点を当てているため、この研究は特に重要であり、挑戦的です。プライマルデュアルフレームワークの使用、新しいアンラーニング損失関数、および適応ステップサイズが重要な貢献です。理論的保証と実験的検証は、論文の影響をさらに強めています。

• •垂直型連合学習（VFL）におけるサンプルおよびラベルのアンラーニングのための新しいアルゴリズム、FedORAを提案。
• •VFLにおける分散特徴アーキテクチャの課題に対処するために、プライマルデュアルフレームワークを採用。
• •分類の不確実性を促進する新しいアンラーニング損失関数を導入。
• •アンラーニングの有効性に関する理論的保証を提供し、オーバーヘッドを削減しながら、最初からトレーニングすることと同等のパフォーマンスを実証。