联邦学习中超越性能导向的贡献评估
机器学习
2026-02-27 v1 密码学与安全
摘要
联邦学习提供了一个隐私友好的协作学习框架，但其成功，就像任何合作企业一样，取决于其参与者的贡献。现有的客户评估方法主要关注模型性能，如准确率或损失，这仅代表机器学习模型整体实用性的一个维度。相反，本工作调查了客户对模型可信度贡献的关键且被忽视的问题——具体而言是其可靠性（对噪声数据的容忍性）、韧性（对对抗性示例的抵抗性）以及公平性（通过人口公平性衡量）。为量化这些多维贡献，我们采用了Shapley 值的最新近似方法，这是一种对价值归因具有原则性的方法。我们的结果表明，没有单个客户在所有维度上都卓越，这些维度彼此 largely 独立，这突显了当前评估方案的一个关键缺陷：没有单一指标足以进行全面评估和公平的奖励分配。
引用
@article{arxiv.2602.22470,
title = {Beyond performance-wise Contribution Evaluation in Federated Learning},
author = {Balazs Pejo},
journal= {arXiv preprint arXiv:2602.22470},
year = {2026}
}