基于原型表示的联邦学习中异构参与者贡献评估
机器学习
2024-07-03 v1
摘要
在联邦学习（FL）中进行贡献评估已成为关键研究领域， 因其在检测低质量数据集、增强模型鲁棒性和设计激励机制等方面具有广泛应用。 现有贡献评估方法主要依赖数据量、模型相似性和辅助测试数据集， 在各种场景中表现出色。 然而， 由于数据分布的异构性，这些方法的有效性常常下降， 这一挑战对其适用性构成显著制约。 针对这一问题， 本文从表示的全新视角探索联邦学习中的贡献评估。 本文提出一种新的联邦学习中异构参与者贡献评估方法（FLCE）， 引入一种新颖指标 class contribution momentum（类别贡献动量） 对异构参与者进行精细化贡献评估。 我们核心思想是从个体、相对和整体三个角度构建并应用类别贡献动量指标， 从而在不依赖辅助测试数据集的情况下实现对异构参与者的有效且高效的贡献评估。 大量实验结果表明， 该方法在保真度、有效性、效率和异构性等方面均优于现有方法， 适用于各种场景。
引用
@article{arxiv.2407.02073,
title = {Contribution Evaluation of Heterogeneous Participants in Federated Learning via Prototypical Representations},
author = {Qi Guo and Minghao Yao and Zhen Tian and Saiyu Qi and Yong Qi and Yun Lin and Jin Song Dong},
journal= {arXiv preprint arXiv:2407.02073},
year = {2024}
}