DPVS-Shapley：联邦学习中更快且更通用的贡献评估组件
机器学习
2024-10-22 v1 人工智能
密码学与安全
计算机科学与博弈论
摘要
在当前人工智能时代，联邦学习已成为一种新方法，用于解决中心化学习范式中固有的隐私问题。这种分布式学习模型不仅降低了数据泄露的风险，还增强了系统的可扩展性和鲁棒性。然而，这种方法引入了一个新挑战：如何公平且准确地评估每个参与者的贡献。开发有效的贡献评估机制对于联邦学习至关重要。这种机制激励参与者积极贡献其数据和计算资源，从而提高整个联邦学习系统的整体性能。通过根据贡献的大小来分配资源和奖励，可确保每个参与者获得公平的对待，促进持久的参与。目前，基于 Shapley 值的方法广泛用于评估参与者的贡献，许多研究人员提出了修改来适应这些方法在现实场景中的应用。在本文中，我们引入了一个名为 Dynamic Pruning Validation Set Shapley（DPVS-Shapley）的组件。该方法通过动态修剪原始数据集来加速贡献评估过程，而不会影响评估的准确性。此外，该组件可以对各种样本赋予不同的权重，从而允许能够区分难例的客户端获得更高的贡献得分。
引用
@article{arxiv.2410.15093,
title = {DPVS-Shapley:Faster and Universal Contribution Evaluation Component in Federated Learning},
author = {Ketin Yin and Zonghao Guo and ZhengHan Qin},
journal= {arXiv preprint arXiv:2410.15093},
year = {2024}
}