面向间歇性客户端参与的联邦学习中的累积效用平等原则
机器学习
2026-02-17 v1 人工智能
摘要
在实际联邦学习（FL）系统中，客户端参与是间歇性的、异构的，往往与数据特征或资源约束相关。现有联邦学习中的公平性方法主要关注在参与条件下均衡损失或准确率，隐含假设客户端在时间上拥有可比的参与机会。然而，当参与本身不均衡时，这些目标可能导致间歇性可用客户端的系统性欠代表，尽管每轮性能看起来公平。我们提出累积效用平等（cumulative utility parity）原则，评估客户端是否在每次参与机会上获得可比的长期收益，而非每轮。为实现这一概念，我们引入可用性归一化累积效用（availability-normalized cumulative utility），将不可避免的物理约束与源自调度和聚合的可避免算法偏差分离。在时序偏斜、非独立同分布（non-IID）的联邦基准测试中实验表明，我们的方法在显著改善长期代表性平等方面同时保持近乎完美的性能。
引用
@article{arxiv.2602.13651,
title = {Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation},
author = {Stefan Behfar and Richard Mortier},
journal= {arXiv preprint arXiv:2602.13651},
year = {2026}
}