关于联邦遗忘的调查：挑战、方法及未来方向

近年来，“被遗忘权”（RTBF）的概念已成为数字信任和人工智能安全数据隐私的重要方面，要求提供支持在个人请求下移除个人数据的机制。因此，机器遗忘（MU）受到了相当大的关注，它允许机器学习模型选择性地消除可识别信息。联邦遗忘（FU）是从MU演变而来，旨在解决联邦学习（FL）环境中的数据擦除挑战，使FL模型能够遗忘FL客户端或与客户端相关的可识别信息。然而，联邦学习的独特属性给FU技术带来了具体挑战。这些挑战在开发FU算法时需要量身定制的设计。尽管该领域存在各种概念和众多联邦遗忘方案，但FU的统一工作流程和量身定制设计尚不完善。因此，本综合调查深入探讨FU中的技术和方法，提供基础概念和原理的概述，评估现有的联邦遗忘算法，并审查针对联邦学习的优化。此外，讨论实际应用并评估其局限性。最后， outlines promising directions for future research.