FedUP：通过质心引导插件过滤器进行一次性联合遗忘

联合遗忘（FU）对于遵守去中心化系统中的被遗忘权等法律规定至关重要，但当前的方法面临着非目标知识丢失和高请求延迟之间的持续困境。为了解决这些问题，我们提出了 FedUP，这是一种一次性联合取消学习框架，利用轻量级可插拔过滤器充当“知识漏斗”来筛选目标数据，同时保留原始模型性能。通过使用差分私有 (DP) 保护的类质心样本在服务器端冻结原始模型参数和训练过滤器，FedUP 绕过了多轮客户端-服务器通信和复杂的重新训练的需要，将遗忘延迟从几分钟减少到仅仅几秒钟。此外，该框架的可插拔架构确保了固有的可逆性，只需删除过滤器即可无缝恢复被遗忘的知识。对各种图像和文本任务的大量实验表明，FedUP 有效减少了非目标知识丢失，并在各种场景下实现了卓越的遗忘精度和效率。代码位于：https://github.com/suows/FedUP-code。