DFedReweighting：去中心化联邦学习中面向目标的重加权统一框架
机器学习
2026-04-21 v2
摘要
去中心化联邦学习（DFL）已成为一种有前景的范式，它使多个客户端能够通过本地训练、通信和聚合的迭代轮次协作训练机器学习模型，而无需依赖中央服务器。然而，DFL系统仍然面临一系列挑战，包括公平性和拜占庭鲁棒性。为了解决这些挑战，我们提出了\textbf{DFedReweighting}，一个统一的聚合框架，通过在每轮学习的最后一步进行面向目标的重加权来实现DFL中的多样化学习目标。具体来说，对于每个客户端，该框架首先在由本地数据构建的紧凑辅助数据集上评估目标性能指标（TPM），产生初步的聚合权重，随后通过定制的重加权策略（CRS）对其进行细化，以产生最终的聚合权重。理论上，我们证明了适当的TPM-CRS组合保证了一般-光滑和强凸函数的线性收敛。实证结果一致表明，\textbf{DFedReweighting}在不同设置下显著提高了公平性和对拜占庭攻击的鲁棒性。两个多目标示例，涵盖客户端间和客户端内的任务，进一步表明通过适当设计TPM和CRS可以适应广泛期望的学习目标。我们的代码可在https://github.com/KaichuangZhang/DFedReweighting获取。
引用
@article{arxiv.2512.12022,
title = {DFedReweighting: A Unified Framework for Objective-Oriented Reweighting in Decentralized Federated Learning},
author = {Kaichuang Zhang and Wei Yin and Jinghao Yang and Ping Xu},
journal= {arXiv preprint arXiv:2512.12022},
year = {2026}
}