联邦忘却学习研究综述
A Survey on Federated Unlearning作者机构：大连理工大学计算机科学与技术学院 大连理工大学社会计算与认知智能教育部重点实验室 大连大学先进设计与智能计算教育部重点实验室 美国西北大学计算机科学系 吉林大学计算机科学与技术学院 吉林大学符号计算与知识工程教育部重点实验室
出 版 物：《计算机学报》 (Chinese Journal of Computers)
年 卷 期：2024年第47卷第2期
页 面：396-422页
核心收录：
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0839[工学-网络空间安全] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）]
基 金：国家重点研发计划(2021ZD0112400) 国家自然科学基金联合基金项目(U1908214) 国家自然科学基金青年项目(62202080) 中国博士后科学基金面上项目(2023M733354) 中央高校基本科研业务费(DUT23YG122)资助
主 题：联邦学习 联邦忘却学习 数字经济 隐私保护 边缘智能
摘 要：数据已经成为与土地、劳动力、资本、技术等并列的重要生产要素之一.利用数据分析挖掘数据的潜在价值，有助于推动产业创新、技术升级和区域经济发展.然而，在数据使用过程中，隐私泄露等风险限制了数据的流通和共享.因此，如何在数据流通和共享过程中保护数据隐私已成为研究热点.联邦忘却学习（Federated Unlearning）撤销用户数据对联邦学习模型的训练更新，可以进一步保护联邦学习用户的数据安全.本文综述了联邦忘却学习的研究工作，首先简要阐述了联邦学习架构，并引出忘却学习和联邦忘却学习的概念和定义;其次，根据修正对象的不同将联邦忘却学习算法分为面向全局模型和面向局部模型两类，并详细分析各类算法的实现细节以及优缺点;然后，本文还详述联邦忘却学习中常用评价指标，将评价指标划分为模型表现指标、遗忘效果指标和隐私保护指标三类，并分析不同类型评价指标的优缺点;最后，本文对联邦忘却学习未来的研究方向进行展望.
同方期刊数据库