An Empirical Study of Stability and Fairness Side-Effects of Federated Unlearning for Departed Clients under Non-IID Data
Este artículo demuestra empíricamente que, si bien los métodos de desaprendizaje federado son computacionalmente eficientes, a menudo inducen efectos secundarios significativos de estabilidad y equidad para los clientes restantes bajo datos no IID, revelando un compromiso crítico entre costo, completitud del olvido y desempeño equitativo del modelo que las métricas agregadas no logran capturar.