FRAMU: Attention-Based Machine Unlearning Using Federated Reinforcement Learning

计算机科学 强化学习 人工智能 机器学习 信息隐私 背景(考古学) 模态(人机交互) 适应性 领域(数学) 数据科学 计算机安全 古生物学 生态学 数学 纯数学 生物
作者
Thanveer Shaik,Xiaohui Tao,Lin Li,Haoran Xie,Taotao Cai,Xiaofeng Zhu,Qing Li
出处
期刊:IEEE Transactions on Knowledge and Data Engineering [IEEE Computer Society]
卷期号:36 (10): 5153-5167 被引量:9
标识
DOI:10.1109/tkde.2024.3382726
摘要

Machine Unlearning, a pivotal field addressing data privacy in machine learning, necessitates efficient methods for the removal of private or irrelevant data. In this context, significant challenges arise, particularly in maintaining privacy and ensuring model efficiency when managing outdated, private, and irrelevant data. Such data not only compromises model accuracy but also burdens computational efficiency in both learning and unlearning processes. To mitigate these challenges, we introduce a novel framework: Attention-based Machine Unlearning using Federated Reinforcement Learning (FRAMU). This framework incorporates adaptive learning mechanisms, privacy preservation techniques, and optimization strategies, making it a well-rounded solution for handling various data sources, either single-modality or multi-modality, while maintaining accuracy and privacy. FRAMU's strengths include its adaptability in fluctuating data landscapes, its ability to unlearn outdated, private, or irrelevant data, and its support for continual model evolution without compromising privacy. Our experiments, conducted on both single-modality and multi-modality datasets, revealed that FRAMU significantly outperformed baseline models. Additional assessments of convergence behavior and optimization strategies further validate the framework's utility in federated learning applications. Overall, FRAMU advances Machine Unlearning by offering a robust, privacy-preserving solution that optimizes model performance while also addressing key challenges in dynamic data environments.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
大力的纸鹤完成签到,获得积分10
刚刚
刚刚
学术雷锋发布了新的文献求助10
1秒前
菜菜包完成签到,获得积分10
1秒前
呼延忘幽发布了新的文献求助10
2秒前
忐忑的子骞完成签到,获得积分10
2秒前
浮生完成签到,获得积分10
2秒前
3秒前
3秒前
天地一沙鸥完成签到,获得积分10
3秒前
Aurora发布了新的文献求助20
3秒前
pipizhu完成签到,获得积分10
4秒前
小鱼爱吃肉的应助被愉快翩跹采纳,获得10
4秒前
肆_完成签到 ,获得积分10
4秒前
郑璇完成签到,获得积分10
6秒前
6秒前
6秒前
咯咯哒发布了新的文献求助10
7秒前
共享精神的应助被欣慰的嘉熙采纳,获得10
7秒前
7秒前
传奇3的应助被lyy采纳,获得10
8秒前
fire发布了新的文献求助30
8秒前
Lll发布了新的文献求助10
8秒前
重要惜雪完成签到 ,获得积分10
8秒前
9秒前
呼延忘幽完成签到,获得积分10
10秒前
huanj发布了新的文献求助10
10秒前
Lucas的应助被栾花花采纳,获得10
11秒前
笨笨蜻蜓发布了新的文献求助10
12秒前
学术雷锋发布了新的文献求助10
12秒前
13秒前
13秒前
TAN完成签到,获得积分10
14秒前
DamonChen完成签到,获得积分10
14秒前
14秒前
14秒前
111完成签到,获得积分10
14秒前
小叮当完成签到,获得积分10
15秒前
15秒前
研友_VZG7GZ的应助被天地一沙鸥采纳,获得10
15秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1500
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
Analyses de reconnaissances de dettes passées devant les échevins d'Ypres (1249-1291) 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8161319
求助须知:如何正确求助?哪些是违规求助? 9556017
关于积分的说明 21731933
捐赠科研通 7751355
什么是DOI,文献DOI怎么找? 3427537
关于科研通互助平台的介绍 2552583
邀请新用户注册赠送积分活动 2471987