热点事件持续更新
研究人员提出拆分联邦遗忘学习框架SURE
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月28日，研究人员在 arXiv 发布研究，首次系统形式化拆分联邦遗忘（SFU），用于解决拆分联邦学习中因跨分区耦合与双侧聚合引发的知识移除难题。针对受限模型更新的结构性局限，研究团队提出了 SURE 框架。该方案融合了双重重要性估计、选择性参数扰动与重要性引导恢复机制。实验表明，SURE 能在多种模型架构和数据分布下，以适度的额外成本达到接近重新训练的遗忘效果。
AI 根据报道生成 · 5 小时前更新
最新进展10月28日 12:00
研究团队系统形式化拆分联邦遗忘问题，并提出兼顾效果与成本的SURE框架。报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv 机器学习拆分联邦遗忘（Split Federated Unlearning）
研究者首次系统形式化拆分联邦遗忘（SFU），用于解决拆分联邦学习中跨分区耦合与双侧聚合导致的知识移除难题。针对受限模型更新的结构性局限，论文提出 SURE 方案，融合双重重要性估计、选择性参数扰动与重要性引导恢复。实验表明，SURE 能在多种模型架构和数据分布下以适度额外成本达到接近模式匹配重新训练的效果。
本事件热度走势
当前热度 9·可比范围峰值 10（10月28日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。