面向联邦学习的分度陈旧性感知数据更新

处理数据陈旧性 remains 一个在联邦学习中具有挑战性的关键问题，其中数据持续生成且数据陈旧性显著影响模型性能。尽管最近的工作尝试通过确定本地数据更新频率或客户端选择策略来优化数据陈旧性，但它们没有探索同时考虑数据陈旧性和数据容量的问题。本文提出 DUFL(联邦学习中的数据更新)，一个具有创新性本地数据更新方案的激励机制，通过三个杠杆控制：服务器的支付、过时数据的保存率和客户端的新鲜数据收集量，以协调数据陈旧性和本地数据容量以获得最佳效用。为此，我们引入一种新指标称为 DoS(数据陈旧度)来量化数据陈旧性，并进行理论分析，说明 DoS 与模型性能之间的定量关系。我们将 DUFL 模型为具有动态约束的两阶段斯塔克伯格游戏，推导出每个客户端的最优本地数据更新策略的闭式解以及服务器的近似最优策略。在真实数据集上的实验结果表明，我们的方法效果显著。