模糊联邦遗忘框架

抗推理攻击

将模糊逻辑引入联邦多任务学习，在维持模型精度与隐私保护的同时，显著降低通信开销，适合群体消费电子场景。

Y. Neil., Qu · 孔祥杰 · 沈士根 · 张爱清 · Binh, Huynh Thi Thanh

IEEE Transactions on Consumer Electronics 2025

参数信息

模糊逻辑的引入使推理攻击失败率提高到 0.75（MNIST）和 0.78（MovieLens），有效保护用户数据隐私。

框架通过减少数据交换，降低了通信开销，适合群体消费电子系统的带宽受限环境。

在 MNIST 上准确率 0.86，MovieLens 上 0.88，与传统联邦学习和联邦学习加差分隐私相比具有可比或更优的性能。

框架设计用于快速响应数据删除请求，在多任务学习中实现高效的遗忘，满足隐私法规要求。