論文の概要: Ferrari: Federated Feature Unlearning via Optimizing Feature Sensitivity

• arxiv url: http://arxiv.org/abs/2405.17462v4
• Date: Wed, 08 Jan 2025 05:36:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:53:15.613815
• Title: Ferrari: Federated Feature Unlearning via Optimizing Feature Sensitivity
• Title（参考訳）: Ferrari: 機能感度の最適化によるフェデレーション機能非学習
• Authors: Hanlin Gu, Win Kent Ong, Chee Seng Chan, Lixin Fan,
• Abstract要約: 未学習のセンシティブな、バックドア、バイアスのある機能に応用されているため、フィーチャーアンラーニングは大きな注目を集めている。 現在の研究では、特徴学習の有効性の評価が欠如している。 本稿では,フェラーリと呼ばれる機能非学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.800865928660954
• License:
• Abstract: The advent of Federated Learning (FL) highlights the practical necessity for the right to be forgotten for all clients, allowing them to request data deletion from the machine learning models service provider. This necessity has spurred a growing demand for Federated Unlearning (FU). Feature unlearning has gained considerable attention due to its applications in unlearning sensitive, backdoor, and biased features. Existing methods employ the influence function to achieve feature unlearning, which is impractical for FL as it necessitates the participation of other clients, if not all, in the unlearning process. Furthermore, current research lacks an evaluation of the effectiveness of feature unlearning. To address these limitations, we define feature sensitivity in evaluating feature unlearning according to Lipschitz continuity. This metric characterizes the model outputs rate of change or sensitivity to perturbations in the input feature. We then propose an effective federated feature unlearning framework called Ferrari, which minimizes feature sensitivity. Extensive experimental results and theoretical analysis demonstrate the effectiveness of Ferrari across various feature unlearning scenarios, including sensitive, backdoor, and biased features. The code is publicly available at https://github.com/OngWinKent/Federated-Feature-Unlearning
• Abstract（参考訳）: フェデレートラーニング(FL)の出現は、すべてのクライアントに対して忘れられる権利の実践的必要性を強調し、機械学習モデルサービスプロバイダからデータ削除を要求することを可能にする。 この必要性は、フェデレート・アンラーニング(FU)の需要を増大させた。 未学習のセンシティブな、バックドア、バイアスのある機能に応用されているため、フィーチャーアンラーニングは大きな注目を集めている。 既存の手法では、非学習プロセスにおいて他のクライアントの参加を必要とするため、FLにとって現実的ではない機能非学習を実現するために影響関数を採用している。 さらに、現在の研究では、特徴学習の有効性の評価が欠如している。 これらの制約に対処するために、Lipschitz連続性に基づいて特徴未学習を評価する際に、特徴感度を定義する。 この計量は、入力特徴における摂動に対する変化率または感度の出力率を特徴づける。 次に、フェラーリと呼ばれる機能非学習フレームワークを提案し、機能感度を最小化する。 大規模な実験結果と理論的分析は、センシティブ、バックドア、バイアスのある特徴を含む、さまざまな非学習シナリオにおけるフェラーリの有効性を示している。 コードはhttps://github.com/OngWinKent/Federated-Feature-Unlearningで公開されている。

関連論文リスト

• AdaF^2M^2: Comprehensive Learning and Responsive Leveraging Features in Recommendation System [16.364341783911414]
  本稿では,モデルに依存しないフレームワークであるAdaF2M2を提案する。 AdaF2M2でベースモデルを固定することにより、複数のレコメンデーションシナリオでオンラインA/Bテストを行い、ユーザアクティブ日とアプリ期間で+1.37%、+1.89%の累積的な改善を実現した。
  論文  参考訳（メタデータ） (2025-01-27T06:49:27Z)
• Can Learned Optimization Make Reinforcement Learning Less Difficult? [70.5036361852812]
  学習の最適化が強化学習の難しさを克服するのに役立つかどうかを検討する。 本稿では, 塑性, 探索および非定常性のための学習最適化手法(OPEN)を用いて, 入力特性と出力構造がこれらの困難に対して予め提案された情報によって通知される更新規則をメタラーニングする。
  論文  参考訳（メタデータ） (2024-07-09T17:55:23Z)
• Unveiling Hidden Factors: Explainable AI for Feature Boosting in Speech Emotion Recognition [17.568724398229232]
  音声感情認識(SER)は、メンタルヘルス、教育、人間とコンピュータの相互作用など、いくつかの応用分野から注目されている。 本研究では,機械学習モデルの性能向上のための特徴関連性と説明可能性を強調した,SERの反復的特徴増強手法を提案する。 提案手法の有効性をトロントの感情音声セット(TESS)、ベルリンの感情音声データベース(EMO-DB)、Ryersonの感情音声データベース(RAVDESS)、Surrey Audio-Visual Expressed Emotioned Emotion(SAVEE)データセットのSERベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-06-01T00:39:55Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• When Do Curricula Work in Federated Learning? [56.88941905240137]
  カリキュラム学習は非IID性を大幅に軽減する。 クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。 本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
  論文  参考訳（メタデータ） (2022-12-24T11:02:35Z)
• Self-supervised remote sensing feature learning: Learning Paradigms, Challenges, and Future Works [9.36487195178422]
  本稿では、非教師付き特徴学習(USFL)、教師付き特徴学習(SFL)、自己教師付き特徴学習(SSFL)の3つの特徴学習パラダイムを分析し比較する。 この統合されたフレームワークでは、RSI理解タスクにおける他の2つの学習パラダイムよりもSSFLの利点を分析する。 SSFL信号と事前学習データが学習特徴に与える影響を分析し,RSI特徴学習を改善するための洞察を提供する。
  論文  参考訳（メタデータ） (2022-11-15T13:32:22Z)
• Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
  歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。 微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。 最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T07:59:42Z)
• Continual Feature Selection: Spurious Features in Continual Learning [0.0]
  本稿では,連続学習アルゴリズムにおける特徴量の影響について考察する。 一般化不可能な特徴を過度に組み合わせることで,学習アルゴリズムがタスクを解くことを示す。
  論文  参考訳（メタデータ） (2022-03-02T10:43:54Z)
• Machine Unlearning of Features and Labels [72.81914952849334]
  機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。 提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
  論文  参考訳（メタデータ） (2021-08-26T04:42:24Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。