Der Artikel befasst sich mit dem Thema des Vergessens von Daten in Federated Learning-Modellen für die Erkennung menschlicher Aktivitäten (HAR).
Zunächst wird das Problem des Federated Unlearning in HAR-Szenarien erläutert. Herkömmliche Methoden zum Unlernen von Daten, wie das Neutrainieren des Modells, sind sehr ressourcenintensiv. Daher wird ein neuer Ansatz vorgestellt, der das Unlernen durch Feinabstimmung des Modells unter Verwendung von Drittanbieter-Daten erreicht.
Der Kern der Methode besteht darin, die Kullback-Leibler-Divergenz als Verlustfunktion zu verwenden, um die Vorhersageverteilung auf den zu vergessenden Daten an die Verteilung der Drittanbieter-Daten anzupassen. Zusätzlich wird die Leistung des Modells auf den verbleibenden Daten berücksichtigt, um einen Kompromiss zwischen Unlernen und Modellleistung zu finden.
Zur Bewertung der Unlernerfolge wird eine Methode zur Mitgliedschaftsinferenz-Bewertung eingeführt. Die Methode wird auf zwei HAR-Datensätze und den MNIST-Datensatz angewendet. Die Ergebnisse zeigen, dass die vorgeschlagene Methode eine mit dem Neutrainieren vergleichbare Unlernerfolgsrate erreicht, aber deutlich weniger Zeit benötigt.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Kongyang Che... às arxiv.org 04-08-2024
https://arxiv.org/pdf/2404.03659.pdfPerguntas Mais Profundas