去中心化梯度市场中鲁棒聚合的基准测试
机器学习
2025-09-09 v1 计算机科学与博弈论
摘要
分布式和隐私保护机器学习的兴起催生了对去中心化梯度市场的兴趣，参与者在其中交换诸如梯度等的中间制品。然而，现有的联邦学习 (FL) 基准测试忽略了此类市场独有的关键经济和系统因素——成本效益、对卖方的公平性以及市场稳定性——特别是当买方依赖私有基线数据集进行评估时。我们引入了一个全面的基准框架，来整体评估去中心化梯度市场中鲁棒梯度聚合方法。我们的贡献包括：(1) 模型市场动态的仿真环境，具有可变买方基线和多样化卖方分布；(2) 增强标准 FL 指标的评估方法，纳入经济效率、公平性和选择动力学等市场中心维度；(3) 对现有分布式梯度市场框架 MartFL 的深入经验分析，包括集成和比较评估适应后的 FLTrust 和 SkyMask 作为备选聚合策略。该基准涵盖多样化数据集、局部攻击和针对市场选择过程的 Sybil 攻击；以及 (4) 在模型性能、鲁棒性、成本、公平性和稳定性之间提供可操作性见解。该基准为社区提供了必要的工具和实证证据，以评估和设计更加鲁棒、公平且经济可行的去中心化梯度市场。
引用
@article{arxiv.2509.05833,
title = {Benchmarking Robust Aggregation in Decentralized Gradient Marketplaces},
author = {Zeyu Song and Sainyam Galhotra and Shagufta Mehnaz},
journal= {arXiv preprint arXiv:2509.05833},
year = {2025}
}