論文の概要: Not All Retained Clients Are Equal: Client Selection for Federated Unlearning

• arxiv url: http://arxiv.org/abs/2610.31786v1
• Date: Thu, 22 Oct 2026 18:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.261898
• Title: Not All Retained Clients Are Equal: Client Selection for Federated Unlearning
• Title（参考訳）: すべての保持されたクライアントが平等ではない - フェデレートされた未学習のためのクライアント選択
• Abstract要約: フェデレート・アンラーニング(Funerated Unlearning, FU)は、トレーニングされたモデルから指定されたターゲットクライアントの影響を、スクラッチからリトレーニングすることの禁止コストなしで取り除くことを目的としている。 我々は、未学習で保持するクライアントに等しく価値がないという洞察に基づいて、パス依存のクライアント選択フレームワークであるPDFを紹介した。
• 参考スコア（独自算出の注目度）: 3.7046358119786498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated unlearning (FU) aims to remove a designated target client's influence from a trained model without the prohibitive cost of retraining from scratch. Existing methods largely treat unlearning as a post-hoc, stateless operation, overlooking that client influence is path-dependent: contributions made during training, particularly during critical learning periods (CLPs), can have disproportionate and persistent effects. Moreover, knowledge overlap and intermittent client availability make relying on all retained clients inefficient and impractical. We introduce PDF, a path-dependent client-selection framework based on the insight that retained clients are not equally valuable for unlearning. During training, PDF maintains lightweight, target-agnostic, CLP-weighted histories summarizing each client's accumulated update direction and global-model alignment. Upon an unlearning request, these histories identify and rank retained clients that are globally informative yet weakly coupled to the target, enabling retraining-based unlearning with only the top-$k$ clients over a small number of rounds. Experiments on FMNIST, CIFAR-10, and CIFAR-100 under IID and non-IID settings show that PDF achieves effective forgetting and strong retained utility with substantially fewer retained clients. In particular, PDF achieves $0\%$ forgetting accuracy with retraining-like MIA AUC on non-IID CIFAR-10, improves retained accuracy by up to $6.91$ percentage points over the strongest competing FU baseline on CIFAR-100, and reduces communication by approximately $69\%$ and computation by $57$--$61\%$ relative to Retrain.
• Abstract（参考訳）: フェデレート・アンラーニング(Funerated Unlearning, FU)は、トレーニングされたモデルから指定されたターゲットクライアントの影響を、スクラッチからリトレーニングすることの禁止コストなしで取り除くことを目的としている。 既存の手法は、未学習をポストホックでステートレスな操作として扱うことが多く、クライアントの影響がパス依存であることを見落としている。 さらに、知識の重複と断続的なクライアントの可用性は、保持されているすべてのクライアントを非効率かつ非現実的に頼ります。 我々は、未学習で保持するクライアントに等しく価値がないという洞察に基づいて、パス依存のクライアント選択フレームワークであるPDFを紹介した。 トレーニング中、PDFは、各クライアントの累積更新方向とグローバルモデルアライメントを要約した、軽量で目標に依存しないCLP重み付きヒストリーを維持している。 未学習の要求に対して、これらの履歴は、グローバルに情報的かつ弱く、ターゲットと結びついている保持されたクライアントを特定し、ランク付けする。 IIDおよび非IID設定下でのFMNIST、CIFAR-10、CIFAR-100の実験は、PDFが効果的に忘れられ、保持されたクライアントが大幅に少ない強力な保持ユーティリティを実現することを示している。 特に、PDFは、非IID CIFAR-10で再トレーニングのようなMIA AUCで忘れる精度を$0\%、CIFAR-100で最強のFUベースラインよりも最大6.91$の精度を向上し、通信を約6.9\%、計算をRetrainに対して$57$--61\%に減らした。

関連論文リスト

• ReSCENE: Server-Side Replay for Structural Mitigation of Catastrophic Forgetting in Federated Continual Learning [19.086083318101444]
  フェデレートされた継続的な学習は、早期のタスク知識を失うことなく、時間とともに新しいタスクを統合する必要がある。 既存のほとんどのメソッドは、クライアントが訓練したサーバ集約型学習ループに偽造防止機構を付加する。 本稿では,ReSCENEを提案する。ReSCENEは,各クライアントがローカルデータの小さな圧縮サロゲートをアップロードすることで,破滅的な忘れを緩和する。
  論文  参考訳（メタデータ） (2026-09-30T02:54:09Z)
• When Clients Are Orchestrated: Strategic Gradient Manipulation to Defeat Federated Learning Servers with Efficient Defense [0.42002694720640044]
  フェデレートラーニング(Federated Learning)は、モデルの更新を、生のデータではなく、中央パラメータサーバと交換することで、分散モデルトレーニングを可能にする。 本稿では,悪意のあるオーケストレータサーバが異種クライアントを動的にコーディネートする汎用的な攻撃フレームワークであるFed-ADRを提案する。 我々は、Fed-ADRの攻撃方式が世界の精度を90%以上から10%以下に下げ、いくつかの最先端の防衛を回避できることを示した。
  論文  参考訳（メタデータ） (2026-09-22T22:33:31Z)
• FedEMA-Distill: Exponential Moving Average Guided Knowledge Distillation for Robust Federated Learning [1.1393603788068776]
  フェデレーテッド・ラーニング(FL)は、クライアントが不均一な非独立性(non-Independent)およびIdentically Distributed(non-IID)データを保持すると、しばしば劣化する。 本稿では,グローバルモデルの指数移動平均(EMA)とクライアント負荷予測ロジットからのアンサンブル知識蒸留を組み合わせたサーバサイドプロシージャであるFedEMA-Distillを提案する。
  論文  参考訳（メタデータ） (2026-02-15T01:40:45Z)
• ZORRO: Zero-Knowledge Robustness and Privacy for Split Learning (Full Version) [58.595691399741646]
  Split Learning(SL)は、リソース制約のあるクライアントがディープニューラルネットワーク(DNN)を協調的にトレーニングすることを可能にする分散学習アプローチである。 このセットアップにより、SLはデータを共有せずにサーバの能力を活用することができ、機密データを扱うリソース制約のある環境で非常に効果的になる。 我々は、プライベートで検証可能な、堅牢なSL防御スキームであるZORROを提示する。
  論文  参考訳（メタデータ） (2025-09-11T18:44:09Z)
• ConDa: Fast Federated Unlearning with Contribution Dampening [46.074452659791575]
  ConDaは、各クライアントのグローバルモデルに影響を与えるパラメータを追跡することによって、効率的なアンラーニングを実行するフレームワークである。 複数のデータセットで実験を行い、ConDaがクライアントのデータを忘れるのが効果的であることを実証する。
  論文  参考訳（メタデータ） (2024-10-05T12:45:35Z)
• Towards Fair, Robust and Efficient Client Contribution Evaluation in Federated Learning [16.543724155324938]
  FRECA(Fair, Robust, Efficient Client Assessment)と呼ばれる新しい手法を導入する。 FRECAはFedTruthというフレームワークを使用して、グローバルモデルの真実の更新を見積もり、すべてのクライアントからのコントリビューションのバランスをとり、悪意のあるクライアントからの影響をフィルタリングする。 実験の結果,FRECAはクライアントのコントリビューションをロバストな方法で正確かつ効率的に定量化できることがわかった。
  論文  参考訳（メタデータ） (2024-02-06T21:07:12Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
  フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。 トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。 本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
  論文  参考訳（メタデータ） (2023-02-13T18:55:31Z)
• 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。