不変性キャリブレーションを用いた非同期フェデレーテッド・アンラーニング（医用画像向け）
arXiv cs.LG / 2026/4/30
📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research
要点
- 本論文は、既存のフェデレーテッド・アンラーニング（FU）で一般的な同期型の連携がもたらす課題、特にデバイスの異質性によって消去処理の待ち時間が長くなる点を扱います。
- 医用画像向けに、消去（アンラーニング）処理をグローバルなフェデレーテッド学習のワークフローから切り離す手法として、Asynchronous Federated Unlearning with Invariance Calibration（AFU-IC）を提案します。
- AFU-ICは、特定のクライアントが非同期にアンラーニングを実行しても、フェデレーションの学習を中断せずに進められるようにします。
- サーバ側の不変性キャリブレーション機構により、消去されたデータの情報がその後の学習で再学習されるのを抑えることを狙います。
- 3つの医用ベンチマークでの実験では、AFU-ICが忘却効果とモデルの忠実性の両面でゴールドスタンダードの再学習と同等の性能を示しつつ、同期ベースラインに比べてウォールクロック遅延を大幅に削減することが報告されています。
