یادگیری فدرال مسئولیت‌پذیر مبتنی بر خوشه‌های ایزوله با رویکرد حفظ حریم خصوصی کاربران

داده‌ها به‌عنوان دارایی‌های ارزشمند در یادگیری ماشین، نقش کلیدی دارند، اما چالش‌های قابل‌توجهی در زمینه حفظ حریم خصوصی ایجاد می‌کنند. یادگیری فدرال به‌ عنوان رویکردی نوآورانه، امکان توسعه مدل‌های یادگیری را بدون نیاز به انتقال مستقیم داده‌ها فراهم می‌سازد و حریم خصوصی را ارتقا می‌دهد. در همین راستا، مفهوم «حق فراموشی» به صاحبان داده اجازه می‌دهد تا اثر داده‌های خود را از مدل‌ها حذف کنند. با این حال، در سناریوهای یادگیری فدرال، نبود دسترسی مستقیم به داده‌ها، فرایند حذف موثر را پیچیده می‌کند. روش‌های موجود عمدتاً به حذف تقریبی متکی هستند که ممکن است منجر به باقی‌ماندن اثر داده‌ها و کاهش اعتماد کاربران شود. برای حل این چالش‌ها ما یک الگوریتم یادگیری فدرال مسئولیت‌پذیر مبتنی بر خوشه‌بندی با رویکرد حفظ حریم خصوصی مشارکت‌کنندگان را ارائه داده‌ایم که یک چارچوب بهینه برای حذف دقیق داده‌ها در یادگیری فدرال محسوب می‌شود. در این راستا، مدل پیشنهادی با بهره‌گیری از یک روش خوشه‌بندی مبتنی بر الگوریتم‌های تشخیص جوامع و هش، راهکاری نوآورانه برای بهبود عملکرد مدل و تسریع مدیریت درخواست‌های نایادگیری در شرایط بکارگیری داده‌های غیرمستقل و غیرهم‌توزیع ارائه می‌دهد. نتایج ارزیابی‌ها نشان می‌دهد که مدل پیشنهادی در برابر مدل حملات استخراج داده که حریم خصوصی کاربران را به خطر می‌اندازد عملکرد مناسب‌تری نسبت به مدل مشابه دارد.