ترجمه فارسی مقاله FedQUIT: عدم یادگیری فدرال روی دستگاه از طریق یک معلم مجازی شبه شایستگی

چکیده

Federated Learning (FL) promises better privacy guarantees for individuals’ data when machine learning models are collaboratively trained. When an FL participant exercises its right to be forgotten, i.e., to detach from the FL framework it has participated and to remove its past contributions to the global model, the FL solution should perform all the necessary steps to make it possible without sacrificing the overall performance of the global model, which is not supported in state-of-the-art related solutions nowadays. In this paper, we propose FedQUIT, a novel algorithm that uses knowledge distillation to scrub the contribution of the forgetting data from an FL global model while preserving its generalization ability. FedQUIT directly works on clients’ devices and does not require sharing additional information if compared with a regular FL process, nor does it assume the availability of publicly available proxy data. Our solution is efficient, effective, and applicable in both centralized and federated settings. Our experimental results show that, on average, FedQUIT requires less than 2.5% additional communication rounds to recover generalization performances after unlearning, obtaining a sanitized global model whose predictions are comparable to those of a global model that has never seen the data to be forgotten.

چکیده به فارسی (ترجمه ماشینی)

Federated Learning (FL) هنگام آموزش مدل های یادگیری ماشین ، تضمین های بهتر حریم خصوصی را برای داده های افراد نوید می دهد.هنگامی که یک شرکت کننده FL از حق فراموش شدن خود استفاده می کند ، یعنی جدا کردن از چارچوب FL ، شرکت کرده و کمک های گذشته خود را به مدل جهانی حذف می کند ، راه حل FL باید تمام مراحل لازم را انجام دهد تا بدون آنکه به طور کلی قربانی شود ، امکان پذیر شودعملکرد مدل جهانی ، که امروزه در راه حل های پیشرفته و پیشرفته پشتیبانی نمی شود.در این مقاله ، ما FedQuit ، یک الگوریتم جدید را پیشنهاد می کنیم که از تقطیر دانش استفاده می کند تا سهم داده های فراموشی را از یک مدل FL جهانی ضمن حفظ توانایی تعمیم آن استفاده کند.FedQuit به طور مستقیم روی دستگاه های مشتری کار می کند و در صورت مقایسه با یک فرآیند معمولی FL ، نیازی به به اشتراک گذاری اطلاعات اضافی ندارد و همچنین در دسترس بودن داده های پروکسی در دسترس عمومی نیست.راه حل ما در هر دو تنظیمات متمرکز و فدرال کارآمد ، مؤثر و کاربردی است.نتایج تجربی ما نشان می دهد که ، به طور متوسط ​​، FedQuit برای بازیابی عملکردهای عمومی پس از آراستگی ، به کمتر از 2.5 ٪ دور ارتباطی اضافی نیاز دارد ، به دست آوردن یک مدل جهانی ضد عفونی شده که پیش بینی های آن قابل مقایسه با مدل های جهانی است که هرگز ندیده است که داده ها فراموش شوند.