PrivEraserVerify：効率的で、プライベートで、検証可能な連合学習アンラーニング

arXiv cs.LG / 2026/4/15

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

PrivEraserVerify (PEV) は、忘却の権利（RTBF）に対して、効率・プライバシー・検証可能性の3つを同時に満たす統一的な連合学習アンラーニングの枠組みを提案する。
この手法は、より高速な再構築のための適応型チェックポイント、離脱するクライアントの影響を精度の損失を抑えつつ除去する層適応型差分プライバシー較正、さらにアンラーニングを非侵襲かつ分散的に確認できる指紋ベースの検証を組み合わせる。
画像、手書き文字、医療データセットにまたがる実験により、アンラーニングは全量再学習よりも2〜3倍高速でありつつ、形式的な識別不能性の保証を維持し、性能劣化も低減できることが示される。
著者らは、PEVが連合学習アンラーニングにおいて効率・プライバシー・検証可能性を同時に提供する最初の枠組みであると主張しており、導入に向けて連合学習をより実用的かつ規制に準拠させることを目指している。

要旨: フェデレーテッドラーニング（FL）は、参加者の生データを共有せずに協調的なモデル学習を可能にし、プライバシーを保護する人工知能への有望な道筋を提供する。しかしながら、FLモデルは依然として参加者からの機微情報を記憶（マメ化）してしまう可能性があり、「忘れられる権利（RTBF）」と相反する。これらの要請を満たすために、フェデレーテッドアンラーニングが、離脱したクライアントの貢献を取り除く仕組みとして登場している。既存の解決策はこの課題を部分的にしか扱えていない。FedEraserは効率を改善するがプライバシー保護を欠き、FedRecoveryは差分プライバシー（DP）を保証するものの精度を低下させ、VeriFiは検証可能性を可能にする一方で、効率性やプライバシー保証がないままオーバーヘッドを導入する。私たちは、効率・プライバシー・検証可能性をフェデレーテッドアンラーニングに統合する統一フレームワークであるPrivEraserVerify（PEV）を提案する。PEVは、(i)高速な再構成のために重要な過去の更新を保持する適応的チェックポイント方式、(ii)精度低下を最小化しつつクライアントの影響を選択的に除去するための層別に適応する差分プライバシー較正、そして(iii)指紋に基づく検証を用いる。これにより、参加者は分散環境かつ非侵襲的な方法でアンラーニングが行われたことを確認できる。画像、手書き文字、および医療データセットでの実験により、PEVは再学習と比べて最大で2〜3倍高速なアンラーニングを達成し、パフォーマンス劣化を抑えつつ形式的な不可区別性の保証を提供し、さらにスケーラブルな検証を支援する。私たちの知る限り、PEVはフェデレーテッドアンラーニングに対して効率・プライバシー・検証可能性を同時に提供する最初のフレームワークであり、FLを実運用および規制に準拠した展開に一歩近づけるものである。