通过动态客户端选择解决联邦学习中的数据质量补偿问题
机器学习
2025-05-28 v1 人工智能
摘要
在跨孤岛联邦学习（FL）中，客户端选择对于确保高模型性能至关重要，但由于数据质量补偿、预算约束和激励相容性，这仍然具有挑战性。随着训练的进行，这些因素加剧了客户端异构性并降低了全局性能。大多数现有方法孤立地处理这些挑战，使得联合优化多个因素变得困难。为了解决这个问题，我们提出了 Shapley-Bid 信誉优化联邦学习（SBRO-FL），这是一个集成了动态出价、信誉建模和成本感知选择的统一框架。客户端根据其感知的数据质量提交出价，并使用 Shapley 值评估其贡献，以量化它们对全局模型的边际影响。受前景理论启发，信誉系统捕获历史表现，同时对不一致性进行惩罚。客户端选择问题被表述为一个 0-1 整数规划，在预算约束下最大化信誉加权效用。在 FashionMNIST、EMNIST、CIFAR-10 和 SVHN 数据集上的实验表明，即使在对抗性和低出价干扰场景下，SBRO-FL 也能提高准确性、收敛速度和鲁棒性。我们的结果强调了平衡数据可靠性、激励相容性和成本效率的重要性，以实现可扩展且可信的 FL 部署。
引用
@article{arxiv.2505.21219,
title = {Addressing Data Quality Decompensation in Federated Learning via Dynamic Client Selection},
author = {Qinjun Fei and Nuria Rodríguez-Barroso and María Victoria Luzón and Zhongliang Zhang and Francisco Herrera},
journal= {arXiv preprint arXiv:2505.21219},
year = {2025}
}