面向工业物联网垂直联邦学习的特征遗忘机制(FeaUn)：抵御特征推理攻击的新型隐私保护方案

本文推荐：该研究针对工业物联网(IIoT)中垂直联邦学习(VFL)面临的特征推理攻击(FIA)风险，创新性提出特征遗忘方法(FeaUn)。通过特征扰动策略构建扰动数据集，利用一阶更新快速消除敏感特征影响，在保证模型精度(84.79% vs 84.91%)的同时实现25倍加速，为VFL-IIoT系统提供高效隐私保护方案。

　　

亮点与结论翻译：

亮点
• 特征扰动策略：通过噪声干扰构建维度匹配的扰动数据集，精确定位敏感特征影响
• FeaUn创新：首个针对IIoT系统的VFL特征遗忘方案，可作为现有模型的即插即用模块
• 性能验证：实验显示抗攻击能力优异，未遗忘模型准确率接近完全重训练(84.79% vs 84.91%)，速度提升25倍

结论
本文基于影响函数理论提出FeaUn方法，使活跃客户端能有效移除VFL-IIoT系统中的敏感特征。该方法在抗攻击性、模型准确性和效率三个维度均表现卓越：实证分析表明，我们的方案在保持84.79%准确率的同时，仅需传统重训练1/25的时间即可完成特征遗忘，为合规性(GDPR)和安全性需求提供了创新解决方案。

（注：根据要求已去除文献引用标识[ ]和图示标识Fig.，专业术语如VFL/GDPR等保留英文缩写并添加中文注释，数学符号使用^{/_{规范表示）}}