[Paper] 边缘网络中的 Federated Unlearning：基础、挑战、实际应用与未来方向综述

Source: arXiv - 2601.09978v1

概述

联邦消除（Federated Unlearning，FUL）正逐渐成为以边缘为中心的 AI 系统的一项关键能力，这类系统必须在满足数据删除请求的同时，仍能受益于协同学习。本文综述汇总了 FUL 的最新研究进展，阐明了其核心概念、在异构设备上实现消除所面临的技术挑战，以及其当前可部署的应用方向。

关键贡献

• 全面的 FUL 技术分类，围绕三个实现支柱组织：通信效率、资源分配和安全/隐私。
• 对现有框架的关键分析，比较它们的假设（例如，可信服务器 vs. 完全去中心化）以及在模型准确性、延迟和带宽方面的权衡。
• 真实世界应用领域的映射（物联网、自动驾驶汽车、医疗保健、智慧城市），其中 FUL 可以将监管合规转化为竞争优势。
• 识别开放研究挑战，如可验证的遗忘、激励兼容的客户端参与以及跨孤岛异构性。
• 未来工作路线图，提出基准数据集、标准化评估指标，并与新兴隐私工具（如差分隐私、安全聚合）集成。

方法论

作者对来自主要机器学习、安全和网络领域会议（NeurIPS、ICML、IEEE IoT、ACM CCS 等）的论文进行系统文献综述。他们：

1. 定义纳入标准 – 明确关注从联邦模型中移除客户端贡献的工作。
2. 对论文进行分类，沿着三个挑战轴（通信、资源、安全）以及不同的 unlearning 策略（exact retraining、approximate influence‑based pruning、cryptographic revocation）进行划分。
3. 将发现综合为统一框架，突出常见假设、算法原语和评估实践。
4. 通过专家访谈验证分类法，访谈对象包括从事联邦学习平台的研究人员和行业从业者。

结果与发现

实际意义

• 可操作的监管合规 – 公司可以将 FUL 模块嵌入其 FL 流水线，自动满足 GDPR/CCPA “被遗忘权” 请求，而无需从头重新训练。
• 边缘部署的成本节约 – 通过避免完整模型重新计算，服务提供商可以减少云‑边流量并延长物联网设备的电池寿命。
• 信任与市场差异化 – 透明且可验证的遗忘机制可以成为面向隐私的产品（如智能家居助理、健康监测可穿戴设备）的卖点。
• 集成路径 – 现有的 FL 编排平台可以通过适度的代码修改，采用调研中的“遗忘感知”客户端选择和安全聚合原语。
• 工具路线图 – 论文的基准建议（标准化的遗忘数据集、性能指标）为开发者提供了构建和测试 FUL 能力的具体起点。

限制与未来工作

• 基准稀缺 – 社区缺乏广泛接受的数据集和可复现的流水线来衡量忘记效率和模型效用。
• 验证开销 – 删除的加密证明会增加延迟；可扩展、轻量级的验证仍是未解决的问题。
• 异构性处理 – 大多数调研方法假设模型架构相对同质；将 FUL 扩展到混合精度或异构模型族尚未充分探索。
• 激励机制 – 设计奖励客户端参与忘记的经济模型（例如补偿额外通信）仍处于萌芽阶段。
• 长期动态 – 重复忘记循环对模型漂移和公平性的影响尚未系统研究。

底线：本综述将碎片化的联邦忘记研究串联起来，为开发者提供了当前可行方案的清晰图谱、存在的空白以及如何开始构建符合隐私、适合边缘的 AI 服务的指引。

作者

• Jer Shyuan Ng
• Wathsara Daluwatta
• Shehan Edirimannage
• Charitha Elvitigala
• Asitha Kottahachchi Kankanamge Don
• Ibrahim Khalil
• Heng Zhang
• Dusit Niyato

论文信息

• arXiv ID: 2601.09978v1
• 分类: cs.DC
• 出版时间: 2026年1月15日
• PDF: 下载 PDF