从联邦车联网中的运行症状启动移除

arXiv:2610.22584v1 公告类型：新增 摘要：联网车辆通过联邦学习（FL）训练驾驶模型并使用该模型行驶，因此，有缺陷的贡献往往只会以延迟的道路运行症状显现出来。联邦遗忘（FU）假设移除请求会指明需要遗忘的对象。症状不会指明具体车辆或轮次，而聚合过程已经将其成因扩散到整个车队。我们提出聚合时间运行证据影响中和（\method{}），将遗忘机制纳入 FL 聚合规则。\method{} 将日常驾驶错误和报告的症状投影到由近期全局增量张成的子空间上。它利用这些增量估计曲率，传播每项贡献的残留影响，并在一次反向遍历中对所有贡献进行评分。两级校正机制会在每一轮抑制疑似影响，并在一次单轮探测后消除已确认的影响。我们证明，反向评分与正向评分一致；当训练在该子空间之外保持平坦时，消除过程是精确的。在三个驾驶数据集上的实验表明，在九种设置中的八种情况下，与最强基线相比，\method{} 的残余危害降低了 43% 至 61%，同时效用与完整重新训练的差距保持在 0.36 个百分点以内。