DearFSAC：一种通过深度强化学习优化不可靠联邦学习的方法
机器学习
2022-02-01 v1 人工智能
摘要
在联邦学习（FL）中，模型聚合因数据隐私而被广泛采用。近年来，为本地模型分配不同权重已被用于缓解本地数据集差异导致的FL性能下降。然而，当各种缺陷使FL过程不可靠时，大多数现有FL方法表现出较弱的鲁棒性。在本文中，我们提出缺陷感知联邦软 actor-critic（DearFSAC）来动态分配本地模型权重以提升FL的鲁棒性。采用深度强化学习算法软 actor-critic 以获得近最优性能和稳定收敛。此外，训练一个自动编码器输出低维嵌入向量，并进一步用于评估模型质量。在实验中，DearFSAC在缺陷场景下针对独立同分布（IID）和非IID设置的四个数据集上优于三种现有方法。
引用
@article{arxiv.2201.12701,
title = {DearFSAC: An Approach to Optimizing Unreliable Federated Learning via Deep Reinforcement Learning},
author = {Chenghao Huang and Weilong Chen and Yuxi Chen and Shunji Yang and Yanru Zhang},
journal= {arXiv preprint arXiv:2201.12701},
year = {2022}
}