Cancellazione dei dati nell'apprendimento federato tramite approssimazione dell'influenza in sottospazi di Krylov

Un nuovo metodo chiamato HF-KCU consente la cancellazione efficiente dei dati nei sistemi di apprendimento federato approssimando la funzione di influenza utilizzando iterazioni del gradiente coniugato in sottospazi di Krylov. Ciò riduce la complessità computazionale da O(d³) a O(kd), dove k è molto più piccolo di d, rendendo possibile rimuovere il contributo di un cliente senza dover riaddestrare da zero. L'approccio risponde ai requisiti delle normative sulla privacy per le richieste di cancellazione dei dati in contesti di ottimizzazione collaborativa, inclusi i contributi avversari.