Học liên kết (Federated Learning) đang trở thành một phương pháp hứa hẹn trong việc đào tạo mô hình mà không xâm phạm quyền riêng tư của người dùng. Tuy nhiên, một vấn đề quan trọng là khả năng “quên” dữ liệu nhạy cảm hoặc gây hại sau khi đã được đào tạo. Nhóm nghiên cứu, dẫn đầu bởi Zhengyi Zhong và các cộng sự, đã đề xuất một giải pháp mới mang tên FUSED, nhằm khắc phục những hạn chế hiện tại.
Giải Pháp Fused: Qua Đèo Gỡ Lỗi Cho Học Liên Kết
Phương pháp này tập trung vào việc xác định các lớp quan trọng trong mô hình và xây dựng bộ điều hợp thưa thớt để quên dữ liệu mà không làm thay đổi các thông số gốc. Quá trình này cho phép FUSED quên thông tin một cách chọn lọc, tránh việc xóa bỏ không phân biệt thông tin giữa các máy khách. Đồng thời, việc sử dụng bộ điều hợp độc lập giúp quá trình quên trở nên có thể đảo ngược và giảm đáng kể chi phí.
Lợi Ích Vượt Trội Của FUSED
- Khả năng đảo ngược: Dữ liệu có thể được khôi phục nếu cần thiết.
- Hiệu quả cao: Giảm chi phí quên dữ liệu so với các phương pháp truyền thống.
- Độ chính xác vượt trội: Kết quả thực nghiệm cho thấy FUSED đạt hiệu quả tương đương với việc đào tạo lại mô hình, vượt xa các phương pháp hiện có.
Được công bố tại CVPR 2025, FUSED hứa hẹn trở thành tiêu chuẩn mới trong lĩnh vực bảo vệ dữ liệu và học liên kết. Phương pháp này không chỉ đảm bảo quyền riêng tư mà còn tối ưu hóa hiệu suất và chi phí trong quá trình xử lý dữ liệu nhạy cảm.
