🤖 AI

EASE: Federated Multimodal Unlearning via Entanglement-Aware Anchor Closure

यह शोधपत्र EASE को प्रस्तुत करता है, जो एक फेडरेटेड मल्टीमॉडल अनलर्निंग फ्रेमवर्क है जो एंकर क्लोजर (anchor closure), सबस्पेस डिकंपोजिशन (subspace decomposition) और एक दिशा-चयनात्मक फॉरगेट लॉक (direction-selective forget lock) से जुड़े एंटैंगलमेंट-अवेयर डिज़ाइन के माध्यम से क्रॉस-मोडल पुनर्निर्माण चैनलों को काटकर और क्लाइंट-विशिष्ट अपडेट दिशाओं को अलग करके विस्मृत डेटा को प्रभावी ढंग से हटा देता है।

मूल लेखक: Zihao Ding, Beining Wu, Jun Huang

प्रकाशित 2026-05-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zihao Ding, Beining Wu, Jun Huang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ शोध पत्र "EASE: Federated Multimodal Unlearning via Entanglement-Aware Anchor Closure" का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ हिंदी अनुवाद दिया गया है।

बड़ी तस्वीर: एक ग्रुप चैट में "भूल जाने का अधिकार" (The Right to be Forgotten)

कल्पना कीजिए कि दोस्तों का एक समूह (क्लाइंट्स) मिलकर जानवरों को पहचानने और उनका वर्णन करने के लिए एक सुपर-स्मार्ट AI बनाना चाहता है। वे अपनी निजी तस्वीरें केंद्रीय बॉस (सर्वर) के साथ साझा नहीं करना चाहते; वे केवल अपने "अध्ययन नोट्स" (गणितीय अपडेट) साझा करते हैं। यह फेडरेटेड मल्टीमॉडल लर्निंग (Federated Multimodal Learning) है।

लेकिन क्या होता है जब एक दोस्त कहता है, "मैं इस ग्रुप से जाना चाहता हूँ और चाहता हूँ कि मेरी तस्वीरें AI की याददाश्त से पूरी तरह मिटा दी जाएँ"? यह फेडरेटेड अनलर्निंग (Federated Unlearning) है।

समस्या यह है कि एक मल्टीमॉडल AI (जो चित्र भी देखता है और टेक्स्ट भी पढ़ता है) में, ज्ञान गहराई से आपस में उलझा हुआ होता है। यदि आप केवल "कुत्तों" के बारे में नोट्स हटा देते हैं, तो AI अभी भी कुत्तों को याद रख सकता है क्योंकि टेक्स्ट विवरण अभी भी मौजूद हैं, या क्योंकि अन्य दोस्तों द्वारा उपयोग किया गया गणित इतना मिला-जुला है कि आप यह नहीं बता सकते कि कौन सा हिस्सा जाने वाले व्यक्ति का है।

इस शोध पत्र के लेखकों ने बनाया है EASE। उन्होंने पाया कि पिछले तरीके विफल रहे क्योंकि वे इन गांठों को ठीक से सुलझा नहीं पाए। वे तीन विशिष्ट "एंकर" (छिपे हुए हुक) छोड़ देते थे जो भुलाए गए ज्ञान को जीवित रखते थे। EASE एक नया ढांचा है जिसे इन तीनों हुकों को काटने के लिए डिज़ाइन किया गया है।

तीन "एंकर" (पिछले तरीके क्यों विफल रहे)

लेखकों ने पाया कि जब आप किसी क्लाइंट के डेटा को हटाने की कोशिश करते हैं, तो तीन चीजें उस स्मृति को जीवित रखती हैं, जो एक नाव को थामे रखने वाले एंकर की तरह काम करती हैं:

1. मोडैलिटी एंकर (Modality Anchor - "एकतरफा इरेज़र" की समस्या)

उपमा: कल्पना कीजिए कि एक जोड़ा मिलकर एक कहानी लिख रहा है। एक व्यक्ति चित्र बनाता है, दूसरा शब्द लिखता है। वे इतने तालमेल में हैं कि यदि आप चित्रों को मिटा देते हैं, तो शब्द अभी भी चित्रों का सटीक वर्णन करेंगे। यदि आप चित्रों को "अनलर्न" करने की कोशिश करते हैं और केवल चित्र-लेखक के नोट्स बदलते हैं, तो शब्द-लेखक के नोट्स एक बैकअप एंकर के रूप में कार्य करते हैं, जो चित्र-लेखक को मूल कहानी की ओर वापस खींच लेते हैं।
समाधान (Bilateral Knowledge Excision): EASE केवल चित्रों को नहीं मिटाता; यह चित्रों और शब्दों दोनों को एक साथ मिटा देता है। यह दोनों पक्षों को एक ही समय में विशिष्ट मिलान को छोड़ने के लिए मजबूर करता है, ताकि कोई भी पक्ष स्मृति को वापस न खींच सके।

2. यूनिक-सबस्पेस एंकर (Unique-Subspace Anchor - "साझा नोट्स" की समस्या)

उपमा: कल्पना कीजिए कि समूह एक गणित की परीक्षा के लिए पढ़ाई कर रहा है। एक छात्र (जो जा रहा है) के पास एक विशिष्ट समस्या को हल करने का एक अनूठा तरीका (एक "यूनिक दिशा") है। हालाँकि, उनके नोट्स अन्य छात्रों के नोट्स के साथ मिले हुए हैं जो रुक रहे हैं। यदि आप जाने वाले छात्र के नोट्स को हटाने के लिए पूरे टेक्स्टबुक के एक बड़े हिस्से को फेंक देते हैं, तो आप गलती से उन अनूठे गणितीय तरीकों को भी हटा देंगे जिनकी रुकने वाले छात्रों को आवश्यकता है।
समाधान (Gradient Subspace Decomposition): EASE एक सुपर-स्मार्ट लाइब्रेरियन की तरह कार्य करता है। यह गणितीय नोट्स को देखता है और उन्हें दो ढेरों में विभाजित करता है:
1. "यूनिक" ढेर: वे चीजें जो केवल जाने वाले छात्र को पता थीं। (इन्हें हटा दिया जाता है)।
2. "शेयर्ड" ढेर: वे चीजें जो सभी ने मिलकर सीखीं। (इन्हें सुरक्षित रखा जाता है)।
  यह साझा ज्ञान को छुए बिना केवल अनूठे ढेर को सर्जिकल सटीकता के साथ हटा देता है।

3. टेम्पोरल री-एंकरिंग (Temporal Re-anchoring - "फिसलन भरी ढलान" की समस्या)

उपमा: कल्पना कीजिए कि आपने सफलतापूर्वक जाने वाले छात्र के नोट्स को हटा दिया है। लेकिन अगले दिन, समूह फिर से पढ़ाई शुरू करता है। क्योंकि शेष छात्रों के नोट्स में अभी भी जाने वाले छात्र की शैली के प्रति एक सूक्ष्म, छिपा हुआ झुकाव है, वे गलती से उन हटाए गए नोट्स को समूह के नए अध्ययन गाइड में फिर से लिखने लगते हैं। स्मृति समय के साथ वापस आ जाती है।
समाधान (Forget Lock): EASE उन विशिष्ट दिशाओं पर एक "लॉक" लगा देता है जहाँ वह हटाया गया ज्ञान पहले रहता था। जैसे-जैसे समूह अध्ययन करना जारी रखता है, AI को गणितीय रूप से उन विशिष्ट दिशाओं से दूर रहने के लिए मजबूर किया जाता है। यह हटाए गए मेमोरी लेन पर "प्रवेश निषेध" (Do Not Enter) का साइन लगाने जैसा है ताकि समूह गलती से वापस न जा सके।

E-A-S-E कैसे काम करता है (समाधान)

लेखकों ने EASE (Entanglement-Aware Subspace Excision) नामक एक प्रणाली बनाई है जो इन तीन सुधारों को एक वर्कफ़्लो में जोड़ती है:

Simultaneous Erasure (एक साथ मिटाना): यह दोनों तरफ से छवियों और टेक्स्ट के बीच के संबंध को एक साथ काट देता है (मोडैलिटी एंकर को बंद करना)।
Surgical Separation (सर्जिकल अलगाव): यह यह पता लगाने के लिए एक गणितीय तकनीक (Cosine-Sine decomposition) का उपयोग करता है कि गणित का कौन सा हिस्सा केवल जाने वाले व्यक्ति का है और कौन सा हिस्सा समूह का है (यूनिक-सबस्पेस एंकर को बंद करना)।
The Lock (द लॉक): यह एक "फॉरगेट लॉक" लागू करता है जो भविष्य के प्रशिक्षण सत्रों के दौरान AI को हटाए गए मेमोरी लेन में वापस जाने से रोकता है (टेम्पोरल री-एंकरिंग को बंद करना)।

परिणाम

शोध पत्र ने वास्तविक दुनिया के डेटासेट (जैसे Flickr30K और COCO) पर EASE का परीक्षण किया जहाँ AI छवियों को टेक्स्ट विवरणों के साथ मिलाने के लिए सीखता है।

लक्ष्य: AI बिल्कुल वैसा व्यवहार करे जैसे कि जाने वाले क्लाइंट का डेटा वहां कभी था ही नहीं (जैसे कि शुरुआत से फिर से 'रिट्रेन' करना), लेकिन बिना पूरी चीज़ को फिर से प्रशिक्षित करने की भारी लागत के।
परिणाम: EASE पिछले तरीकों की तुलना में काफी बेहतर था।
- Forget Side (भूलने वाला पक्ष): इसने विशिष्ट डेटा को सफलतापूर्वक मिटा दिया (उदाहरण के लिए, यदि एक क्लाइंट चला गया, तो AI ने उनके विशिष्ट कुत्ते के फोटो को पहचानना बंद कर दिया)।
- Retain Side (बचे रहने वाला पक्ष): इसने बाकी सभी के लिए AI को स्मार्ट बनाए रखा (यह बिल्लियों या अन्य कुत्तों को पहचानना नहीं भूला)।
- Efficiency (दक्षता): इसने पूरे मॉडल को शून्य से फिर से प्रशिक्षित करने की तुलना में बहुत तेज़ी से और कम खर्च में यह कार्य किया।

सारांश

E-A-S-E को ग्रुप AI प्रोजेक्ट्स के लिए एक सटीक इरेज़र (Precision Eraser) के रूप में समझें। पूरे व्हाइटबोर्ड को रगड़ने और गंदगी होने के जोखिम के बजाय, यह पहचानता है कि किन स्टिकी नोट्स को हटाने की आवश्यकता है, उन्हें नीचे के नोट्स को खराब किए बिना निकालता है, और एक बाधा लगा देता है ताकि कोई बाद में उन्हें गलती से वापस न चिपका दे। यह सुनिश्चित करता है कि जटिल, बहु-संवेदी (multi-sensory) AI सिस्टम में "भूल जाने का अधिकार" वास्तव में सम्मानित किया जाए।

यहाँ शोध पत्र "EASE: Federated Multimodal Unlearning via Entanglement-Aware Anchor Closure" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बड़े पैमाने के विजन-लैंग्वेज मॉडल्स (जैसे CLIP) के संदर्भ में फेडरेटेड मल्टीमॉडल अनलर्निंग (FML) की चुनौती को संबोधित करता है। FML में, कई क्लाइंट्स बिना कच्चा डेटा साझा किए, निजी इमेज-टेक्स्ट पेयर्स पर एक मॉडल को सहयोगात्मक रूप से प्रशिक्षित करते हैं। जब कोई क्लाइंट वापस लेता है, या विशिष्ट डेटा (सैंपल्स/क्लासेस) को हटाना आवश्यक होता है (जैसे गोपनीयता अधिकारों या हानिकारक सामग्री के कारण), तो सिस्टम को शून्य से पुन: प्रशिक्षण (retraining) दिए बिना इस डेटा को "अनलर्न" करना चाहिए।

लेखक पहचानते हैं कि मौजूदा फेडरेटेड अनलर्निंग विधियाँ मल्टीमॉडल सेटिंग्स में विफल रहती हैं क्योंकि वे तीन विशिष्ट अवशिष्ट एंकरों (residual anchors) पर ध्यान नहीं देती हैं जो विस्मृत ज्ञान (forgotten knowledge) को बने रहने देते हैं:

मोडैलिटी एंकर (Modality Anchor): कंट्रास्टिव लॉस (जैसे InfoNCE) में द्विपक्षीय युग्मन (bilinear coupling) के कारण, एक मोडैलिटी (जैसे टेक्स्ट) का ग्रेडिएंट दूसरी मोडैलिटी (जैसे इमेज) के एम्बेडिंग्स पर निर्भर करता है। यदि केवल एक शाखा को संशोधित किया जाता है, तो अप्रतिहत (untouched) शाखा एक एंकर के रूप में कार्य करती है, जो विस्मृत संरेखण (alignment) को पुनर्गठित कर सकती है।
यूनिक-सबस्पेस एंकर (Unique-Subspace Anchor): क्लाइंट ग्रेडिएंट सबस्पेस आपस में उलझे (entangled) होते हैं। भूलने के लिए विशिष्ट दिशाएं (forget-specific directions), उन दिशाओं के साथ मिश्रित होती हैं जो रिटेन क्लाइंट्स द्वारा साझा की जाती हैं। मौजूदा विधियाँ 'फॉरगेट सबस्पेस' को एक अखंड ब्लॉक के रूप में मानती हैं, जिससे एक ट्रेड-ऑफ उत्पन्न होता है: या तो वे डेटा को हटाने में विफल रहती हैं (अंडर-इरेज़र), या वे रिटेन ज्ञान को नुकसान पहुँचाती हैं (ओवर-इरेज़र)।
टेम्पोरल री-एंकरिंग (Temporal Re-anchoring): भले ही अनलर्निंग के समय एंकरों को बंद कर दिया जाए, रिटेन क्लाइंट्स के साथ होने वाले आगामी फेडरेटेड एवरेजिंग (FedAvg) राउंड्स धीरे-धीरे हटाए गए दिशाओं को फिर से लिख सकते हैं, जिससे मॉडल विस्मृत डेटा को "याद" करने लगता है।

2. कार्यप्रणाली: EASE फ्रेमवर्क (Methodology: EASE Framework)

लेखक EASE (Entanglement-Aware Subspace Excision) प्रस्तावित करते हैं, जो एक फ्रेमवर्क है जिसे इन तीनों एंकर चैनलों को एक साथ बंद करने के लिए डिज़ाइन किया गया है। यह एक फ्रीज़्ड मल्टीमॉडल बैकबोन पर लाइटवेट LoRA एडैप्टर्स का उपयोग करके कार्य करता है।

A. द्विपक्षीय ज्ञान निष्कासन (Bilateral Knowledge Excision - BKE) – मोडैलिटी एंकर को बंद करना

तंत्र (Mechanism): केवल विजुअल या टेक्स्टुअल ब्रांच को संशोधित करने के बजाय, EASE दोनों शाखाओं को एक साथ विस्थापित (displace) करता है।
तर्क (Logic): एक द्विपक्षीय समानता मॉडल (bilinear similarity model) में, संरेखण ग्रेडिएंट दोनों एम्बेडिंग्स के गुणनफल पर निर्भर करता है। $z_v$ और $z_t$ दोनों को उनके मूल मानों से दूर विस्थापित करके, द्विपक्षीय समानता अब विस्मृत जोड़ी को पुनर्गठित नहीं कर सकती।
परिणाम (Outcome): यह अप्रतिहत मोडैलिटी को एक मेमोरी एंकर के रूप में कार्य करने से रोकता है जो संशोधित ब्रांच को मूल संरेखण की ओर खींचती है।

B. ग्रेडिएंट सबस्पेस डिकंपोजिशन (Gradient Subspace Decomposition - GSD) – यूनिक-सबस्पेस एंकर को बंद करना

तंत्र (Mechanism): सर्वर क्लाइंट्स से ऐतिहासिक ग्रेडिएंट अपडेट एकत्र करता है और 'फॉरगेट सबस्पेस' ( $S_f$ ) तथा 'रिटेन सबस्पेस' ( $S_r$ ) निकालने के लिए सिंगुलर वैल्यू डिकंपोजिशन (SVD) करता है।
तर्क (Logic): कोसाइन-साइन डिकंपोजिशन का उपयोग करते हुए, विधि $S_f$ $S_{f}$ और $S_r$ $S_{r}$ के बीच मुख्य कोणों (principal angles) की गणना करती है।
- $S_r$ के लगभग ऑर्थोगोनल (orthogonal) दिशाओं को यूनिक-सबस्पेस एंकर्स (हटाने योग्य) के रूप में पहचाना जाता है।
- $S_r$ के साथ अत्यधिक संरेखित दिशाओं को रिटेन सपोर्ट (संरक्षित किया जाना चाहिए) के रूप में पहचाना जाता है।
क्रिया (Action): सर्वर ग्लोबल मॉडल पैरामीटर्स को यूनिक सबस्पेस के पूरक (complement) पर प्रोजेक्ट करता है, जिससे केवल फॉरगेट-एक्सक्लूसिव दिशाओं को निकाला जाता है और साझा सपोर्ट को सुरक्षित रखा जाता है।

C. फॉरगेट लॉक के साथ प्रोजेक्शन (Projection with Forget Lock - PFL) – टेम्पोरल री-एंकरिंग को बंद करना

तंत्र (Mechanism): निरंतर प्रशिक्षण के दौरान ड्रिफ्ट (drift) को रोकने के लिए एक दो-आयामी दृष्टिकोण:
1. सर्वर-साइड प्रोजेक्शन: अनलर्निंग के तुरंत बाद, ग्लोबल मॉडल को यूनिक-सबस्पेस घटकों को हटाने के लिए प्रोजेक्ट किया जाता है।
2. क्लाइंट-साइड फॉरगेट लॉक: आगामी स्थानीय SGD राउंड के दौरान, क्लाइंट्स एक संयुक्त ऑब्जेक्टिव को ऑप्टिमाइज़ करते हैं: $L_{total} = L_{align} + \alpha \cdot L_f$ ।
तर्क (Logic): $L_f$ एक क्वाड्रेटिक पेनल्टी है जो विशेष रूप से पहचाने गए यूनिक सबस्पेस दिशाओं ( $U_\mu$ ) के साथ ड्रिफ्ट को दंडित करती है।
परिणाम (Outcome): यह एक "लॉक" बनाता है जो विस्मृत ज्ञान को मॉडल में वापस आने वाले ड्रिफ्ट को सीमित करता है, जबकि रिकवरी के लिए ऑर्थोगोनल कॉम्प्लीमेंट (रिटेन ज्ञान) को अनकन्स्ट्रेंड (unconstrained) छोड़ देता है।

3. प्रमुख योगदान (Key Contributions)

एंकर सिद्धांत (The Anchor Principle): यह शोध पत्र औपचारिक रूप से तीन अलग-अलग तंत्रों (मोडैलिटी, यूनिक-सबस्पेस, और टेम्पोरल री-एंकरिंग) की पहचान और लक्षण वर्णन करता है जो फेडरेटेड मल्टीमॉडल अनलर्निंग में विफलता का कारण बनते हैं। यह प्रदर्शित करता है कि इनमें से किसी भी उपसमुच्चय (subset) को बंद करने से एक मापने योग्य पुनर्निर्माण पथ (reconstruction path) बना रहता है।
EASE फ्रेमवर्क: BKE, GSD और PFL को संयोजित करने वाला एक एकीकृत समाधान। यह फेडरेटेड सेटिंग में क्रॉस-मोडल कपलिंग और सबस्पेस एंटैंगलमेंट को एक साथ संबोधित करने वाला पहला तरीका है।
सैद्धांतिक गारंटी (Theoretical Guarantees): लेखक ज्यामितीय प्रमाण प्रदान करते हैं जो दिखाते हैं कि:
- BKE डोमिनेंट मोडैलिटी एंकर सिग्नल को समाप्त करता है।
- GSD, $\delta$ थ्रेशोल्ड के आधार पर रिटेन ज्ञान को होने वाले संपार्श्विक नुकसान (collateral damage) को सीमित करता है।
- PFL, विस्मृत ज्ञान के टेम्पोरल ड्रिफ्ट को लॉक स्ट्रेंथ $\alpha$ के व्युत्क्रमानुपाती (inversely proportional) रूप से सीमित करता है।
व्यापक मूल्यांकन (Comprehensive Evaluation): CLIP-B/32, CLIP-L/14, और SigLIP बैकबोन के साथ Flickr30K, MS COCO, और TextCaps पर व्यापक प्रयोग।

4. प्रयोगात्मक परिणाम (Experimental Results)

EASE की तुलना तीन अनलर्निंग परिदृश्यों (क्लाइंट, क्लास, और सैंपल) में नौ बेसलाइन्स (FedEraser, Ferrari, FedOSD, और GradAscent सहित) के विरुद्ध की गई।

अनलर्निंग पूर्णता (Unlearning Completeness): EASE फॉरगेट सेट पर रिट्रीवल परफॉरमेंस (Forget R@1) को कम करने में सभी बेसलाइन्स से काफी बेहतर प्रदर्शन करता है। उदाहरण के लिए, CLIP-B/32 के साथ Flickr30K पर, EASE ने 0.3 का Forget R@1 प्राप्त किया (रिट्रेन रेफरेंस 0.1 के करीब), जबकि Ferrari और FedOSD जैसे बेसलाइन्स उच्च (>60-80%) रहे, जो दर्शाता है कि वे भूलने में विफल रहे।
रिटेंशन इंटीग्रिटी (Retention Integrity): आक्रामक विधियों (जैसे GradAscent) के विपरीत, जो रिटेन ज्ञान को नष्ट कर देती हैं, EASE रिटेन सेट पर उच्च प्रदर्शन बनाए रखता है। इसने क्लाइंट अनलर्निंग के लिए रिटेन साइड पर रिट्रेन रेफरेंस के भीतर 4.2 R@1 पॉइंट्स का अंतर बनाए रखा, जबकि अन्य विधियों में महत्वपूर्ण गिरावट देखी गई।
गोपनीयता सत्यापन (Privacy Verification): EASE ने सबसे कम मेंबरशिप इन्फरेंस अटैक (MIA) स्कोर और लाइक्लीहुड-रेशियो अटैक (LiRA) TPR दिखाया, जो पुष्टि करता है कि विस्मृत डेटा नॉन-मेंबर्स से अविभेद्य (indistinguishable) है।
एब्लेशन स्टडीज (Ablation Studies): किसी भी एकल घटक (BKE, GSD, या Lock) को हटाने से विशिष्ट विफलता मोड सामने आए, जो तीनों एंकरों को संबोधित करने की आवश्यकता को प्रमाणित करते हैं।
दक्षता (Efficiency): EASE को पूर्ण रिट्रेनिंग की तुलना में काफी कम संचार लागत (लगभग 20-25%) की आवश्यकता होती है, जबकि यह पूर्ण रिट्रेन के समान प्रदर्शन प्राप्त करता है।

5. महत्व (Significance)

पैराडाइम शिफ्ट (Paradigm Shift): यह शोध पत्र फेडरेटेड अनलर्निंग को "ब्लैक-बॉक्स इरेज़र" दृष्टिकोण से "ज्यामितीय, एंटैंगलमेंट-अवेयर" दृष्टिकोण की ओर ले जाता है। यह रेखांकित करता है कि मल्टीमॉडल सिस्टम में, अनलर्निंग केवल एक मोडैलिटी पर एकतरफा या ग्रेडिएंट्स को स्वतंत्र ब्लॉक्स के रूप में मानकर नहीं की जा सकती।
व्यावहारिक अनुप्रयोग (Practical Applicability): LoRA एडैप्टर्स और प्रोजेक्शन ऑपरेटर्स का उपयोग करके, EASE कंप्यूटेशनल रूप से कुशल है और मौजूदा फेडरेटेड लर्निंग इंफ्रास्ट्रक्चर के साथ संगत है, जिससे यह विनियमित डोमेन (जैसे स्वास्थ्य सेवा, वित्त) के लिए व्यवहार्य बनता है जहाँ "भूलने का अधिकार" (Right to be Forgotten) महत्वपूर्ण है।
मजबूती (Robustness): फ्रेमवर्क यह सुनिश्चित करता है कि अनलर्निंग निरंतर प्रशिक्षण के विरुद्ध टिकाऊ हो, जो उस "ड्रिफ्ट" समस्या को हल करता है जो कई मौजूदा अनलर्निंग एल्गोरिदम को प्रभावित करती है।

निष्कर्षतः, EASE फेडरेटेड मल्टीमॉडल मॉडल्स से डेटा हटाने के लिए एक सैद्धांतिक रूप से सुदृढ़ और अनुभवजन्य रूप से श्रेष्ठ समाधान प्रदान करता है, जो प्रभावी रूप से उन पुनर्निर्माण चैनलों को बंद करता है जो पहले वास्तविक अनलर्निंग में बाधा डालते थे।