Buchumschlag

FedAU2: Attribute Unlearning for User-Level Federated Recommender Systems with Adaptive and Robust Adversarial Training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yuyuan, Fang, Junjie, Yu, Fengyuan, Sheng, Xichun, Du, Tianyu, Teng, Xuyang, Jiang, Shaowei, Jiang, Linbo, Lin, Jianan, Chen, Chaochao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LEGO: A Lightweight and Efficient Multiple-Attribute Unlearning Framework for Recommender Systems
von: Yu, Fengyuan, et al.
Veröffentlicht: (2025)

RAID: An In-Training Defense against Attribute Inference Attacks in Recommender Systems
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

Reproducibility Companion Paper: Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems
von: Li, Yuyuan, et al.
Veröffentlicht: (2025)

Post-Training Attribute Unlearning in Recommender Systems
von: Chen, Chaochao, et al.
Veröffentlicht: (2024)

TOFA: Training-Free One-Shot Federated Adaptation for Vision-Language Models
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Sharpness-Aware Minimization for Generalized Embedding Learning in Federated Recommendation
von: Yu, Fengyuan, et al.
Veröffentlicht: (2026)

A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions
von: Li, Yuyuan, et al.
Veröffentlicht: (2024)

Class-wise Federated Unlearning: Harnessing Active Forgetting with Teacher-Student Memory Generation
von: Li, Yuyuan, et al.
Veröffentlicht: (2023)

Simultaneous Unlearning of Multiple Protected User Attributes From Variational Autoencoder Recommenders Using Adversarial Training
von: Escobedo, Gustavo, et al.
Veröffentlicht: (2024)

Bridging the Gap Between Preference Alignment and Machine Unlearning
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

FedFACT: A Provable Framework for Controllable Group-Fairness Calibration in Federated Learning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Reproducibility Companion Paper:In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
von: Liu, Yixiu, et al.
Veröffentlicht: (2025)

CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence
von: Chen, Chaochao, et al.
Veröffentlicht: (2024)

A Survey on Generative Model Unlearning: Fundamentals, Taxonomy, Evaluation, and Future Direction
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

A Neuro-inspired Interpretation of Unlearning in Large Language Models through Sample-level Unlearning Difficulty
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

FedUHB: Accelerating Federated Unlearning via Polyak Heavy Ball Method
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

Guaranteeing Data Privacy in Federated Unlearning with Dynamic User Participation
von: Liu, Ziyao, et al.
Veröffentlicht: (2024)

Demystifying the Optimal Fair Classifier in Multi-Class Classification
von: Zhang, Li, et al.
Veröffentlicht: (2026)

FedSGT: Exact Federated Unlearning via Sequential Group-based Training
von: Zhang, Bokang, et al.
Veröffentlicht: (2025)

SparsyFed: Sparse Adaptive Federated Training
von: Guastella, Adriano, et al.
Veröffentlicht: (2025)

Controllable Unlearning for Image-to-Image Generative Models via $\varepsilon$-Constrained Optimization
von: Feng, Xiaohua, et al.
Veröffentlicht: (2024)

BiFair: A Fairness-aware Training Framework for LLM-enhanced Recommender Systems via Bi-level Optimization
von: Zhang, Jiaming, et al.
Veröffentlicht: (2025)

FedAT: Federated Adversarial Training for Distributed Insider Threat Detection
von: Gayathri, R G, et al.
Veröffentlicht: (2024)

FedAPT: Federated Adversarial Prompt Tuning for Vision-Language Models
von: Zhai, Kun, et al.
Veröffentlicht: (2025)

FedGAI: Federated Style Learning with Cloud-Edge Collaboration for Generative AI in Fashion Design
von: Wu, Mingzhu, et al.
Veröffentlicht: (2025)

Fast-FedUL: A Training-Free Federated Unlearning with Provable Skew Resilience
von: Huynh, Thanh Trung, et al.
Veröffentlicht: (2024)

Upcycling Noise for Federated Unlearning
von: Chen, Jianan, et al.
Veröffentlicht: (2024)

Pixel super-resolved lensless on-chip sensor with scattering multiplexing
von: Chang, Xuyang, et al.
Veröffentlicht: (2021)

Federated Unlearning for Human Activity Recognition
von: Chen, Kongyang, et al.
Veröffentlicht: (2024)

Efficient Federated Unlearning with Adaptive Differential Privacy Preservation
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

FedShard: Federated Unlearning with Efficiency Fairness and Performance Fairness
von: Wen, Siyuan, et al.
Veröffentlicht: (2025)

FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning
von: Lu, Xiuhua, et al.
Veröffentlicht: (2024)

Unlearning What Matters: Token-Level Attribution for Precise Language Model Unlearning
von: Wu, Jiawei, et al.
Veröffentlicht: (2026)

FedAttr: Towards Privacy-preserving Client-Level Attribution in Federated LLM Fine-tuning
von: Zhang, Su, et al.
Veröffentlicht: (2026)

UFO: Unfair-to-Fair Evolving Mitigates Unfairness in LLM-based Recommender Systems via Self-Play Fine-tuning
von: Zhang, Jiaming, et al.
Veröffentlicht: (2025)

WassFFed: Wasserstein Fair Federated Learning
von: Han, Zhongxuan, et al.
Veröffentlicht: (2024)

Integration of Large Language Models and Federated Learning
von: Chen, Chaochao, et al.
Veröffentlicht: (2023)

FedMUA: Exploring the Vulnerabilities of Federated Learning to Malicious Unlearning Attacks
von: Chen, Jian, et al.
Veröffentlicht: (2025)

Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation
von: Zhao, Xinping, et al.
Veröffentlicht: (2024)

FedX: Adaptive Model Decomposition and Quantization for IoT Federated Learning
von: Lai, Phung, et al.
Veröffentlicht: (2025)