【技术实现步骤摘要】
本专利技术涉及联邦学习技术，具体涉及一种联邦还原学习客户端的被遗忘权的持续性验证方法。
技术介绍
1、联邦学习是一种旨在保护数据隐私的分布式机器学习方法，它允许多个参与者在不共享原始数据的情况下共同训练模型。尽管联邦学习在理论上能够降低数据泄露的风险，但随着数据隐私需求的提升，如何从训练完成的全局模型中有效删除特定数据已成为新的挑战。联邦还原学习应运而生，旨在为数据主体提供隐私保护，确保其数据能够在请求删除时从模型中彻底移除。为满足“被遗忘权”的合规要求，联邦还原学习的目标是在维持模型性能的同时，确保指定客户的数据对模型的影响被完全消除。这可以通过完全重新初始化模型并使用剩余客户的数据重新训练，或通过调整模型参数和决策边界来最小化已删除数据对模型的残留影响。
2、现有的联邦还原学习方法主要侧重于从全局模型的角度进行评估，而忽略了已退出联邦学习过程的客户端的需求。这些方法通常通过计算“遗忘率”(rate of unlearning,rou)来量化遗忘效果，但无法为退出的客户提供独立验证其数据是否已被有效移除的手段。并且，现有的...
【技术保护点】
1.一种联邦还原学习客户端的被遗忘权的持续性验证方法，其特征在于，涉及两类实体：中心服务器和若干客户端，包括以下步骤：
2.根据权利要求1所述的联邦还原学习客户端的被遗忘权的持续性验证方法，其特征在于，所述步骤1中注入永久性印记的具体过程是：
3.根据权利要求1所述的联邦还原学习客户端的被遗忘权的持续性验证方法，其特征在于，步骤2中更新后的模型表达式如下：
4.根据权利要求1所述的联邦还原学习客户端的被遗忘权的持续性验证方法，其特征在于，所述步骤3中验证遗忘客户端时，对遗忘客户端遗忘程度的定义如下：
【技术特征摘要】
1.一种联邦还原学习客户端的被遗忘权的持续性验证方法，其特征在于，涉及两类实体：中心服务器和若干客户端，包括以下步骤：
2.根据权利要求1所述的联邦还原学习客户端的被遗忘权的持续性验证方法，其特征在于，所述步骤1中注入永久性印记的具体过程是：
3...
【专利技术属性】
技术研发人员：杨洋，刘军，陈姗姗，赵子璇，王梓秋，李钰颖，张玉强，苗婷，
申请(专利权)人：湖北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。