联邦多模态遗忘学习新突破：EASE框架如何彻底解决知识纠缠难题

EASE框架是首个针对联邦多模态学习中知识遗忘难题的系统性解决方案，通过三重锚点闭合机制实现高效、彻底的知识擦除，解决跨模态、跨客户端的知识纠缠问题，平衡数据隐私与模型效能。

联邦多模态学习（FML）结合联邦学习与多模态学习，让分散客户端在保护隐私的同时协同训练图文理解模型。机器遗忘学习需解决客户端数据删除后模型彻底遗忘的问题，但联邦多模态场景下存在跨模态、跨客户端的知识纠缠：被遗忘知识通过双线性跨模态耦合锚点、主角度子空间纠缠锚点、联邦更新漂移锚点持续存在，传统方法难以奏效。

EASE（纠缠感知子空间切除）框架通过三个互补机制闭合知识残留通道：1. 双边位移策略：同时优化视觉与文本编码器，关闭被遗忘对齐关系的跨模态重建通道；2. 余弦-正弦分解：将客户端梯度方向分为共享的余弦分量（保留）与专属的正弦分量（切除），实现精准擦除；3. 方向选择性遗忘锁：监控联邦更新参数漂移，限制遗忘知识重新激活的方向。

研究团队在Flickr30K数据集及CLIP-B/32架构上验证EASE有效性：客户端遗忘场景下，遗忘侧R@1与完全重新训练基准差距仅0.2个百分点，保留侧差距控制在4.2个百分点以内，接近理想遗忘效果，优于现有联邦遗忘方法。

EASE首次系统揭示联邦多模态知识纠缠的三重锚点结构，为隐私法规（如GDPR被遗忘权）提供技术方案。在医疗、金融等敏感领域应用前景广阔，其数学分解思路还可启发模型编辑、概念擦除、偏见消除等研究方向。