An Empirical Study of Stability and Fairness Side-Effects of Federated Unlearning for Departed Clients under Non-IID Data
यह शोध पत्र अनुभवजन्य रूप से प्रदर्शित करता है कि जबकि फेडरेटेड अनलर्निंग विधियाँ गणनात्मक रूप से कुशल होती हैं, वे अक्सर नॉन-आईआईडी (non-IID) डेटा के तहत शेष क्लाइंट्स के लिए महत्वपूर्ण स्थिरता और निष्पक्षता संबंधी दुष्प्रभाव उत्पन्न करती हैं, जो लागत, विस्मृति पूर्णता (forgetting completeness) और समतापूर्ण मॉडल प्रदर्शन के बीच एक महत्वपूर्ण समझौते (trade-off) को उजागर करता है जिसे समग्र मेट्रिक्स पकड़ने में विफल रहते हैं।