机构名称：
¥ 3.0
近年来，“被遗忘的权利”（RTBF）的概念已成为数字信任和人工智能安全数据隐私的关键方面，需要提供支持根据要求删除个人数据的机制。因此，机器学习（MU）引起了相当大的关注，这使ML模型可以选择性地消除可识别的信息。从MU演变出来的是，联邦未学习（FU）已经出现了，以面对联合学习（FL）设置中数据擦除的挑战，该设置促使FL模型能够取消fl客户端或与客户有关的可识别信息。尽管如此，联邦学习的独特属性引入了FU技术的特定挑战。这些挑战需要在开发FU算法时进行量身定制的设计。虽然在该领域存在各种概念和许多联合的未学习方案，但统一的工作流程和FU的量身定制设计尚不清楚。因此，这项全面的调查深入研究了FU的技术和方法，提供了基本概念和原则的概述，评估了现有的联邦未学习算法，并审查了针对联邦学习量身定制的优化。此外，它讨论了实际应用并评估其局限性。最后，它概述了未来研究的有希望的方向。
一项关于联邦未来学习的调查：挑战，方法和未来的方向
主要关键词
相关文件推荐
