证明联邦学习中的数据删除

本文解决了垂直联邦学习（VFL）中数据隐私和“被遗忘权”的关键问题。它提出了一种新算法FedORA，用于在分布式环境中高效且有效地从训练好的模型中移除特定数据点或标签的影响。由于数据分布在不同参与方之间，因此专注于VFL使得这项研究特别相关且具有挑战性。使用原始对偶框架、新的unlearning损失函数和自适应步长是关键贡献。理论保证和实验验证进一步增强了论文的影响。

• •提出了FedORA，一种用于垂直联邦学习（VFL）中样本和标签unlearning的新算法。
• •采用原始对偶框架来解决VFL中分布式特征架构的挑战。
• •引入了一种新的unlearning损失函数，以促进分类不确定性。
• •提供了关于unlearning有效性的理论保证，并证明了与从头开始训练相比，具有相当的性能，同时减少了开销。