論文の概要: Image Feature Fusion-based Federated Client Unlearning (FCU)

• arxiv url: http://arxiv.org/abs/2605.26715v1
• Date: Tue, 26 May 2026 08:56:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.769438
• Title: Image Feature Fusion-based Federated Client Unlearning (FCU)
• Title（参考訳）: Image Feature Fusion-based Federated Client Unlearning (FCU)
• Authors: Hangyi Shen, Yizhi Pan, Tiansuo Li, Weiqi Jiang, Guanqun Sun,
• Abstract要約: We propose a Image Feature Fusion-based Federated Client Unlearning (IFF-FCU)。 IFF-FCUは、忘れ分布と残留分布のギャップを埋める。 理論的には、忘れる境界を拡大し、規則化する。 例えば、ICHデータセットでは、IFF-FCUは、再訓練された金標準からの高度に競争力のあるエラー偏差を達成している。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Major data protection regulations all mention the "right to be forgotten," and that's what pushed federated unlearning (FU) techniques forward. But one stubborn issue remains: catastrophic forgetting--you erase the target knowledge, yet somehow you also end up throwing out essential retained knowledge, which then hurts the model's global generalization. To get a better balance between unlearning effectiveness and generalization ability, we propose something called Image Feature Fusion-based Federated Client Unlearning (IFF-FCU). The idea is to bring in a linear Image Feature Fusion mechanism (Mixup) that dynamically creates mixed samples, bridging the gap between forget-distribution and retain-distribution. What this strategy does isn't just deleting a few discrete data points--it theoretically widens and regularizes the forgetting boundary. We ran extensive experiments on medical imaging benchmarks (RSNA-ICH and ISIC2018), and the results show that our approach achieves reasonably good unlearning. For instance, on the ICH dataset, IFF-FCU achieves a highly competitive Error deviation from the retrained gold standard, demonstrating robust improvements over existing baselines.
• Abstract（参考訳）: 主要なデータ保護規則はすべて、"忘れられる権利"について言及しています。 しかし、厄介な問題は残る:破滅的な忘れ物 - ターゲットの知識を消去するが、何らかの方法では必須の保持された知識を捨ててしまうため、モデル全体の一般化が損なわれる。 画像特徴融合に基づくFederated Client Unlearning (IFF-FCU)を提案する。 そのアイデアは、リニアなイメージフィーチャーフュージョン機構(Mixup)を導入して、混合サンプルを動的に生成し、リザーブ・ディストリビューションとレザーブ・ディストリビューションのギャップを埋める。 この戦略が行なっているのは、いくつかの離散的なデータポイントを削除することだけではない。 医用画像ベンチマーク(RSNA-ICHとISIC2018)で広範な実験を行い,本手法が十分な未学習を実現することを示す。 例えば、ICHデータセットでは、IFF-FCUは、トレーニングされたゴールド標準からの高度に競争力のあるエラー偏差を達成し、既存のベースラインよりも堅牢な改善を実証している。

関連論文リスト

• REMISVFU: Vertical Federated Unlearning via Representation Misdirection for Intermediate Output Feature [16.040317742756034]
  本稿では,スプリットVFLシステムにおける高速かつクライアントレベルのアンラーニングを実現するための,プラグアンドプレイ表現ミスダイレクトフレームワークであるREMISVFUを提案する。 REMISVFUは, バックドア攻撃の成功を抑え, クリーンな精度の約2.5%を犠牲にしている。
  論文  参考訳（メタデータ） (2025-12-11T07:05:36Z)
• Federated Unlearning in the Wild: Rethinking Fairness and Data Discrepancy [17.398539259901483]
  機械学習は「忘れられる権利」のようなデータ削除の権利を強制するために重要である 分散パラダイムとして、フェデレートラーニング(FL)もアンラーニングを必要とする。 We propose a novel, fairness-aware FU approach, Federated Cross-Client-Constrains Unlearning (FedCCCU)。
  論文  参考訳（メタデータ） (2025-10-08T13:47:19Z)
• You Are Your Own Best Teacher: Achieving Centralized-level Performance in Federated Learning under Heterogeneous and Long-tailed Data [54.56492110703343]
  局所的な非IIDデータとグローバルな長期分布から生ずるデータ不均一性は、連邦学習(FL)における大きな課題である 弱い局所サンプルと強い局所サンプルの知識を蒸留し,表現学習を改善するためにFedYoYoを提案する。 我々は、FedYoYoが最先端の結果を達成し、グローバルな長期的設定の下で集中ロジット調整手法を5.4%超えたことを示します。
  論文  参考訳（メタデータ） (2025-03-10T04:57:20Z)
• Federated Unlearning with Gradient Descent and Conflict Mitigation [11.263010875673492]
  Federated Unlearning(FU)は、完全なリトレーニングなしでデータを削除するための有望な方法だと考えられている。 直交終末日(FedOSD)を用いたフェデレーション・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:23:10Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• FedFDP: Fairness-Aware Federated Learning with Differential Privacy [9.864717082984109]
  Federated Learning(FL)は、データサイロの課題に対処するために設計された、新興の機械学習パラダイムである。 公平性とデータプライバシに関する永続的な問題に対処するため,FedFairというフェアネスを考慮したFLアルゴリズムを提案する。 FedFairをベースとした差分プライバシーを導入し、公正性、プライバシ保護、モデルパフォーマンスのトレードオフに対処するFedFDPアルゴリズムを作成します。
  論文  参考訳（メタデータ） (2024-02-25T08:35:21Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。