Fugu-MT 論文翻訳(概要): Split Federated Unlearning

論文の概要: Split Federated Unlearning

arxiv url: http://arxiv.org/abs/2610.36465v1
Date: Tue, 27 Oct 2026 01:20:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-28 21:04:31.458565
Title: Split Federated Unlearning
Title（参考訳）: Split Federated Unlearning
Abstract要約: Split Federated Learning (SFL)は、分割されたモデル実行とフェデレーションアグリゲーションを組み合わせて、分散Webとエッジ環境間の協調学習をサポートする。本研究では,SFU(Split Federated Unlearning)の最初の体系的定式化を行い,クライアント・ワイド・クラス・ワイド・削除,ファクトファクトリトレーニング,パーティション固有の更新制約を含む。
参考スコア（独自算出の注目度）: 14.143638594266976
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Split federated learning (SFL) combines partitioned model execution with federated aggregation to support collaborative learning across distributed Web and edge environments. However, removing learned contributions in SFL is challenging due to cross-partition coupling and historical influence propagation through dual-side aggregation. To the best of our knowledge, we provide the first systematic formulation of Split Federated Unlearning (SFU), encompassing client-wise and class-wise removal, counterfactual retraining, and partition-specific update constraints. We theoretically characterize historical influence propagation and mode-dependent unlearning feasibility, revealing structural limitations of restricted model updates. As an initial solution, we propose SURE, integrating dual-importance estimation, selective parameter perturbation, and importance-guided recovery. Extensive experiments with existing unlearning methods adapted to SFL reveal substantial forgetting-utility trade-offs across model architectures, data distributions, and update modes. SURE achieves competitive agreement with mode-matched retraining at modest additional cost, while further analyses highlight the impact of split position and update constraints on unlearning behavior. These findings establish SFU as a distinct research problem and provide a foundation for unlearning in partitioned federated systems.
Abstract（参考訳）: Split Federated Learning (SFL)は、分割されたモデル実行とフェデレーションアグリゲーションを組み合わせて、分散Webとエッジ環境間の協調学習をサポートする。しかし,SFLにおける学習的コントリビューションの除去は,二側アグリゲーションによる断続的結合と歴史的影響伝播により困難である。我々の知識を最大限に活用するために、我々はSFU(Split Federated Unlearning)の最初の体系的な定式化を行い、クライアント・ワイドおよびクラス・ワイド・削除、ファクトファクト・リトレーニング、パーティション固有の更新制約を含む。我々は、歴史的影響伝播とモード依存の未学習の実現性を理論的に特徴付け、制限されたモデル更新の構造的制限を明らかにする。初期解として、重畳推定、選択パラメータ摂動、重要誘導回復を統合したSUREを提案する。 SFLに適応した既存の未学習手法による大規模な実験により、モデルアーキテクチャ、データ分散、更新モード間での大幅な忘れられたユーティリティトレードオフが明らかになった。 SUREは、モデレートされた再訓練を控えめな追加コストで実施し、さらに分析により、分割位置と更新制約が未学習行動に与える影響を強調している。これらの知見は、SFUを別個の研究課題として確立し、分断されたフェデレーションシステムにおける未学習の基礎を提供する。

関連論文リスト

BESplit: Bias-Compensated Split Federated Learning with Evidential Aggregation [2.5015678499211407]
Split Federated Learning (SFL)は、クライアントとサーバ間でモデルを分割することで、プライバシ保護による協調トレーニングを可能にする。非IIDデータ分布では、SFLは偏りのある最適化と不安定な収束に悩まされることが多い。非IID効果を軽減するために,SFLの本質的な構造を利用したアーキテクチャ対応フレームワークBESplitを提案する。
論文参考訳（メタデータ） (2026-05-17T15:42:33Z)
Distributionally Robust Federated Learning with Outlier Resilience [8.69285602685459]
本研究では, 分散的頑健なフェデレーション学習について, 明確な外部レジリエンスを用いて検討した。我々は、ロバスト性証明を許容するトラクタブルなラグランジアンペナルティ最適化として問題を再構築する。この改革に基づいて,分散外乱フェデレーション学習アルゴリズムを提案し,その収束保証を確立する。
論文参考訳（メタデータ） (2025-09-29T08:42:12Z)
Controllable Relation Disentanglement for Few-Shot Class-Incremental Learning [82.79371269942146]
本稿では,FewShot Class-Incremental Learning (FSCIL) を新たな視点,すなわち関係の絡み合いから扱うことを提案する。急激な相関関係を切り離すことの課題は、FSCILの制御性が悪いことである。我々は、CTRL-FSCIL(Controllable Relation-disentang FewShot Class-Incremental Learning)と呼ばれる、新しいシンプルな効果のある手法を提案する。
論文参考訳（メタデータ） (2024-03-17T03:16:59Z)
Relaxed Contrastive Learning for Federated Learning [48.96253206661268]
本稿では,フェデレート学習におけるデータ不均一性の課題に対処する,新しいコントラスト学習フレームワークを提案する。当社のフレームワークは,既存のフェデレート学習アプローチを,標準ベンチマークにおいて大きなマージンで上回ります。
論文参考訳（メタデータ） (2024-01-10T04:55:24Z)
Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
論文参考訳（メタデータ） (2023-05-29T22:51:40Z)
Tensor Decomposition based Personalized Federated Learning [12.420951968273574]
Federated Learning(FL)は、ユーザのプライベートデータを収集することなく、確実に協調的なトレーニングを実現する、新しい分散機械学習フレームワークである。 FLの頻繁なコミュニケーションと平均集約戦略により、統計多様性データや大規模モデルへのスケーリングが困難になる。本稿では,分解に基づくパーソナライズドラーニング(TDPFed)と呼ばれるFLフレームワークを提案する。このフレームワークでは,テンソル化線形層と畳み込み層を持つ新しいテンソル化局所モデルを設計し,通信コストを削減する。
論文参考訳（メタデータ） (2022-08-27T08:09:14Z)
Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
論文参考訳（メタデータ） (2022-03-18T04:58:34Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。