RadiumStar/EFFACE
GitHub: RadiumStar/EFFACE
EFFACE 提出了一种基于自适应误差反馈的高效联邦遗忘方法，证明了仅使用 Top-1 压缩即可在保证收敛性的前提下实现联邦学习中的数据遗忘。
Stars: 1 | Forks: 0
# EFFACE：借助自适应误差反馈，Top-1 压缩足以实现联邦遗忘
[](https://2026.ieeeicassp.org/event/about-conference/)
[](https://github.com/RadiumStar/EFFACE?tab=MIT-1-ov-file)
[](https://github.com/RadiumStar/EFFACE)
[](https://github.com/RadiumStar/EFFACE)
[](https://github.com/RadiumStar/EFFACE)
这是 ICASSP 2026 论文 [借助自适应误差反馈，Top-1 压缩足以实现联邦遗忘](https://ieeexplore.ieee.org/abstract/document/11462604) 的官方代码仓库
## 🐱💻 代码
详见 [EFFACE 代码概述](https://github.com/RadiumStar/EFFACE/blob/main/code/README.md)。
## 🔍 关于选择机制的说明
ICASSP 论文中提出的选择机制是针对经验性能进行优化的。然而，我们后续的理论分析表明，引入一个**校正项**对于严格保证收敛边界是必要的。
### 公式对比
| 版本 | 公式 |
| :--- | :--- |
| **原始版本**（用于论文实验） |  |
| **校正版本**（当前仓库实现） |  |
## 🚀 即将推出的扩展版本
我们正在准备这项工作的全面扩展版本，其中将包括：
1. **收敛性分析**：对 EFFACE 收敛阶数的详细分析，包括误差补偿强度系数 $\eta$ 的选择
2. **联邦遗忘边界**：在联邦遗忘背景下的具体理论保证。
*本扩展手稿目前正在准备中，将尽快发布。感谢您的关注与耐心等待。*
## 📖 引用
如果您觉得这项工作有用，请考虑引用：
```
@inproceedings{xiao2026efface,
title={Top-1 Compression Suffices for Federated Unlearning with the Help of Adaptive Error Feedback},
author={Xiao, Boxu and Liu, Sijia and Ling, Qing},
booktitle={IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
pages={2171--2175},
year={2026},
organization={IEEE}
}
```
标签：Apex, EFFACE, ICASSP 2026, Python, Top-1压缩, 人工智能安全, 凭据扫描, 分布式计算, 合规性, 差分隐私, 异常处理, 收敛性分析, 数据隐私, 无后门, 机器学习, 机器遗忘, 模型压缩, 联邦学习, 自适应误差反馈, 论文源码, 逆向工具