An Empirical Study of Stability and Fairness Side-Effects of Federated Unlearning for Departed Clients under Non-IID Data
Cet article démontre empiriquement que, bien que les méthodes d'oubli fédéré soient efficaces sur le plan computationnel, elles induisent souvent des effets secondaires significatifs sur la stabilité et l'équité pour les clients restants sous des données non-IID, révélant un arbitrage critique entre le coût, l'exhaustivité de l'oubli et la performance équitable du modèle que les métriques agrégées ne parviennent pas à capturer.