論文の概要: FedUP: One-Shot Federated Unlearning via Centroid-Guided Plug-in Filters

• arxiv url: http://arxiv.org/abs/2606.24113v1
• Date: Tue, 23 Jun 2026 03:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.758695
• Title: FedUP: One-Shot Federated Unlearning via Centroid-Guided Plug-in Filters
• Title（参考訳）: FedUP: Centroid-Guided Plug-in Filterによるワンショットフェデレーション・アンラーニング
• Authors: Feihong Nan, Zhengyi Zhong, Pan Wang, Weidong Bao, Xiongtao Zhang, Quan Wen, Ji Wang,
• Abstract要約: フェデレーテッド・アンラーニング(FU)は、分散システムにおいて忘れられる権利のような法的義務に従うために重要である。 我々は,軽量なプラグブルフィルタを利用したワンショット・フェデレーション・アンラーニング・フレームワークであるFedUPを提案する。 多様な画像およびテキストタスクの実験は、FedUPがターゲット外の知識損失を効果的に減少させることを示した。
• 参考スコア（独自算出の注目度）: 7.8211844910232555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated unlearning (FU) is critical for complying with legal mandates like the right to be forgotten in decentralized systems, yet current methods face a persistent dilemma between non-target knowledge loss and high request latency. To resolve these issues, we propose FedUP, a one-shot federated unlearning framework utilizing lightweight pluggable filters that act as a "knowledge funnel" to screen out target data while preserving original model performance. By freezing original model parameters and training filters at the server side using differentially private (DP)-protected class centroid samples, FedUP bypasses the need for multi-round client-server communication and complex retraining, reducing unlearning latency from minutes to mere seconds. Additionally, the framework's pluggable architecture ensures inherent reversibility, enabling the seamless restoration of forgotten knowledge by simply removing the filters. Extensive experiments on diverse image and text tasks demonstrate that FedUP effectively reduces non-target knowledge loss and achieves superior unlearning precision and efficiency across various scenarios. Code is available at: https://github.com/suows/FedUP-code.
• Abstract（参考訳）: フェデレーテッド・アンラーニング(FU)は、分散システムにおいて忘れられる権利のような法的義務に従うために重要であるが、現在の手法は、非ターゲットの知識喪失と高い要求遅延の間に永続的なジレンマに直面している。 これらの問題を解決するために、FedUPを提案する。FedUPは、軽量なプラグ可能なフィルタを利用して、オリジナルのモデル性能を維持しながら、ターゲットデータをスクリーニングする。 差分プライベート(DP)で保護されたクラスセントロイドサンプルを使用して、元のモデルパラメータとトレーニングフィルタをサーバ側で凍結することにより、FedUPはマルチラウンドのクライアントサーバ通信と複雑な再トレーニングの必要性を回避し、未学習のレイテンシを数分からほんの数秒に短縮する。 さらに、フレームワークのプラグイン可能なアーキテクチャは、本質的に可逆性を保証し、単純にフィルタを削除することで、忘れられた知識のシームレスな復元を可能にする。 多様な画像およびテキストタスクに関する大規模な実験により、FedUPはターゲット外の知識損失を効果的に低減し、様々なシナリオにおいて優れた未学習の精度と効率を達成することが示された。 コードは、https://github.com/suows/FedUP-code.comで入手できる。

関連論文リスト

• FedCARE: Federated Unlearning with Conflict-Aware Projection and Relearning-Resistant Recovery [7.9641700582177934]
  フェデレートラーニング(FL)は、生データを集中化せずに協調的なモデルトレーニングを可能にするが、忘れられる権利のようなプライバシー規制は、リクエスト時に以前使用されていたトレーニングデータの影響を取り除くためにFLシステムを必要とする。 我々は、コンフリクト対応の未学習と再学習耐性回復を可能にする統一的で低オーバーヘッドなFUフレームワークであるFedCAREを提案する。
  論文  参考訳（メタデータ） (2026-01-30T05:36:31Z)
• 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)
• FPPL: An Efficient and Non-IID Robust Federated Continual Learning Framework [6.446904116575293]
  フェデレーション型連続学習(FCL)は、分散化されたフェデレーション型学習環境において、シーケンシャルなデータストリームから学習することを目的としている。 既存のFCLメソッドは通常、典型的なリハーサル機構を使用しており、これはプライバシー侵害や追加の面倒なストレージや計算負荷をもたらす可能性がある。 本研究では,FPPL(Federated Prototype-Augmented Prompt Learning)と呼ばれる,効率的で非IIDな連立型連続学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-04T09:15:21Z)
• Communication Efficient ConFederated Learning: An Event-Triggered SAGA Approach [67.27031215756121]
  Federated Learning(FL)は、さまざまなデータソース上のローカルデータを収集することなく、モデルトレーニングをターゲットとする機械学習パラダイムである。 単一のサーバを使用するStandard FLは、限られた数のユーザしかサポートできないため、学習能力の低下につながる。 本研究では,多数のユーザに対応するために,emphConfederated Learning(CFL)と呼ばれるマルチサーバFLフレームワークを検討する。
  論文  参考訳（メタデータ） (2024-02-28T03:27:10Z)
• Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
  フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。 既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。 本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T07:04:48Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• Subspace based Federated Unlearning [75.90552823500633]
  フェデレート・アンラーニング(FL)は、ユーザが忘れられる権利を満たすために、特定のターゲットクライアントのFLへの貢献を取り除くことを目的としている。 既存のフェデレートされた未学習アルゴリズムでは、パラメータの更新履歴をサーバに格納する必要がある。 そこで我々は,SFUと呼ばれる,単純なyet効率のサブスペースに基づくフェデレーションアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T04:29:44Z)
• Semi-Synchronous Personalized Federated Learning over Mobile Edge Networks [88.50555581186799]
  我々は,モバイルエッジネットワーク上での半同期パーソナライズフェデレーション(PerFedS$2$)と呼ばれる半同期PFLアルゴリズムを提案する。 我々は、グローバルラウンド当たりの参加者数とラウンド数の観点から、PerFedS2の収束率の上限を導出する。 PerFedS2はトレーニング時間を節約し、トレーニング損失の収束を保証する。
  論文  参考訳（メタデータ） (2022-09-27T02:12:43Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)

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。