联邦学习中的数据估值与检测

Wenqian Li; Shuran Fu; Fengrui Zhang; Yan Pang

联邦学习中的数据估值与检测

机器学习 2024-05-10 v3 人工智能密码学与安全

作者: Wenqian Li , Shuran Fu , Fengrui Zhang , Yan Pang

摘要

联邦学习（FL）能够在保护原始数据隐私的同时实现协作式模型训练。该框架中的一个挑战是对数据进行公平且高效的估值，这对于激励客户端在 FL 任务中贡献高质量数据至关重要。在涉及众多数据客户端的 FL 场景中，通常只有部分客户端和数据集与特定学习任务相关，而其他数据可能对模型训练过程产生负面或微不足道的影响。本文提出了一种新颖的隐私保护方法，用于在 FL 任务中评估客户端贡献并选择相关数据集，且无需预先指定训练算法。我们提出的方法 FedBary 在联邦上下文中利用 Wasserstein 距离，为 FL 框架中的数据估值提供了新方案。该方法确保了透明的数据估值和 Wasserstein 重心的高效计算，并减少了对验证数据集的依赖。通过大量实证实验和理论分析，我们展示了该数据估值方法作为 FL 研究中有前景方向的潜力。

关键词

联邦学习数据估值客户端贡献 Wasserstein 距离隐私保护 FedBary 数据集选择

引用

@article{arxiv.2311.05304,
  title  = {Data Valuation and Detections in Federated Learning},
  author = {Wenqian Li and Shuran Fu and Fengrui Zhang and Yan Pang},
  journal= {arXiv preprint arXiv:2311.05304},
  year   = {2024}
}

备注

CVPR 2024

联邦学习中的数据估值与检测

摘要

关键词

引用

备注

相关论文